Buchumschlag

Pantypes: Diverse Representatives for Self-Explainable Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kjærsgaard, Rune, Boubekki, Ahcène, Clemmensen, Line
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Post-hoc Self-explanation of CNNs
von: Boubekki, Ahcène, et al.
Veröffentlicht: (2026)

Prototypical Self-Explainable Models Without Re-training
von: Gautam, Srishti, et al.
Veröffentlicht: (2023)

Explaining the Impact of Training on Vision Models via Activation Clustering
von: Boubekki, Ahcène, et al.
Veröffentlicht: (2024)

Explainable AI needs formalization
von: Haufe, Stefan, et al.
Veröffentlicht: (2024)

Beyond Word Error Rate: Auditing the Diversity Tax in Speech Recognition through Dataset Cartography
von: Cheng, Ting-Hui, et al.
Veröffentlicht: (2026)

Supercm: Revisiting Clustering for Semi-Supervised Learning
von: Singh, Durgesh, et al.
Veröffentlicht: (2025)

Explaining deep learning for ECG using time-localized clusters
von: Boubekki, Ahcène, et al.
Veröffentlicht: (2025)

Intra-Fairness Dynamics: The Bias Spillover Effect in Targeted LLM Alignment
von: Paraschou, Eva, et al.
Veröffentlicht: (2026)

A Self-Organizing Clustering System for Unsupervised Distribution Shift Detection
von: Basterrech, Sebastián, et al.
Veröffentlicht: (2024)

Classification of Tennis Actions Using Deep Learning
von: Hovad, Emil, et al.
Veröffentlicht: (2024)

Evaluation of Stress Detection as Time Series Events -- A Novel Window-Based F1-Metric
von: Skat-Rørdam, Harald Vilhelm, et al.
Veröffentlicht: (2025)

Leveraging Activations for Superpixel Explanations
von: Boubekki, Ahcène, et al.
Veröffentlicht: (2024)

SuperCM: Improving Semi-Supervised Learning and Domain Adaptation through differentiable clustering
von: Singh, Durgesh, et al.
Veröffentlicht: (2025)

Beyond Topological Self-Explainable GNNs: A Formal Explainability Perspective
von: Azzolin, Steve, et al.
Veröffentlicht: (2025)

EXACT: Towards a platform for empirically benchmarking Machine Learning model explanation methods
von: Clark, Benedict, et al.
Veröffentlicht: (2024)

Annotation-Efficient Language Model Alignment via Diverse and Representative Response Texts
von: Jinnai, Yuu, et al.
Veröffentlicht: (2024)

Self-Explainable Graph Transformer for Link Sign Prediction
von: Li, Lu, et al.
Veröffentlicht: (2024)

Enhancing Semi-Supervised Learning via Representative and Diverse Sample Selection
von: Shao, Qian, et al.
Veröffentlicht: (2024)

R-Diverse: Mitigating Diversity Illusion in Self-Play LLM Training
von: Li, Gengsheng, et al.
Veröffentlicht: (2026)

SEEK: Self-adaptive Explainable Kernel For Nonstationary Gaussian Processes
von: Negarandeh, Nima, et al.
Veröffentlicht: (2025)

Disentangled and Self-Explainable Node Representation Learning
von: Piaggesi, Simone, et al.
Veröffentlicht: (2024)

Uncertainty-Aware Explanations Through Probabilistic Self-Explainable Neural Networks
von: Vadillo, Jon, et al.
Veröffentlicht: (2024)

Self-Explainable Temporal Graph Networks based on Graph Information Bottleneck
von: Seo, Sangwoo, et al.
Veröffentlicht: (2024)

Machine learning in wastewater treatment: insights from modelling a pilot denitrification reactor
von: Bøhn, Eivind, et al.
Veröffentlicht: (2024)

A Self-Explainable Heterogeneous GNN for Relational Deep Learning
von: Ferrini, Francesco, et al.
Veröffentlicht: (2024)

Feature-Weighted Maximum Representative Subsampling
von: Hauptmann, Tony, et al.
Veröffentlicht: (2026)

Enhancing Cognition and Explainability of Multimodal Foundation Models with Self-Synthesized Data
von: Shi, Yucheng, et al.
Veröffentlicht: (2025)

Transformers Linearly Represent Highly Structured World Models
von: Kniazev, Roman, et al.
Veröffentlicht: (2026)

Explainable Artificial Intelligence Model for Evaluating Shear Strength Parameters of Municipal Solid Waste Across Diverse Compositional Profiles
von: Suknark, Parichat, et al.
Veröffentlicht: (2025)

Language Models Represent Space and Time
von: Gurnee, Wes, et al.
Veröffentlicht: (2023)

SEFraud: Graph-based Self-Explainable Fraud Detection via Interpretative Mask Learning
von: Li, Kaidi, et al.
Veröffentlicht: (2024)

Representative Language Generation
von: Peale, Charlotte, et al.
Veröffentlicht: (2025)

Fully Explainable Classification Models Using Hyperblocks
von: Snyder, Austin, et al.
Veröffentlicht: (2025)

ExplainableDetector: Exploring Transformer-based Language Modeling Approach for SMS Spam Detection with Explainability Analysis
von: Uddin, Mohammad Amaz, et al.
Veröffentlicht: (2024)

Reconsidering Faithfulness in Regular, Self-Explainable and Domain Invariant GNNs
von: Azzolin, Steve, et al.
Veröffentlicht: (2024)

Model Interpretation and Explainability: Towards Creating Transparency in Prediction Models
von: Kridel, Donald, et al.
Veröffentlicht: (2024)

Evaluating Large Language Models for Phishing Detection, Self-Consistency, Faithfulness, and Explainability
von: Kuikel, Shova, et al.
Veröffentlicht: (2025)

Beam Enumeration: Probabilistic Explainability For Sample Efficient Self-conditioned Molecular Design
von: Guo, Jeff, et al.
Veröffentlicht: (2023)

Agentic AI-RAN: Enabling Intent-Driven, Explainable and Self-Evolving Open RAN Intelligence
von: He, Zhizhou, et al.
Veröffentlicht: (2026)

Robustness of Explainable Artificial Intelligence in Industrial Process Modelling
von: Kantz, Benedikt, et al.
Veröffentlicht: (2024)