Buchumschlag

CoDy: Counterfactual Explainers for Dynamic Graphs

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Qu, Zhan, Gomm, Daniel, Färber, Michael
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Risk Horizons: Structured Hypothesis Spaces for Longitudinal Clinical Prediction
von: Qu, Zhan, et al.
Veröffentlicht: (2026)

Vital Trace: Protocol-Constrained Patient-State Reasoning for Longitudinal Clinical Trajectories
von: Qu, Zhan, et al.
Veröffentlicht: (2026)

X-VORTEX: Spatio-Temporal Contrastive Learning for Wake Vortex Trajectory Forecasting
von: Qu, Zhan, et al.
Veröffentlicht: (2026)

UNR-Explainer: Counterfactual Explanations for Unsupervised Node Representation Learning Models
von: Kang, Hyunju, et al.
Veröffentlicht: (2026)

SAFE-RL: Saliency-Aware Counterfactual Explainer for Deep Reinforcement Learning Policies
von: Samadi, Amir, et al.
Veröffentlicht: (2024)

CoDi: Conditional Diffusion Distillation for Higher-Fidelity and Faster Image Generation
von: Mei, Kangfu, et al.
Veröffentlicht: (2023)

PAGE: Parametric Generative Explainer for Graph Neural Network
von: Qiu, Yang, et al.
Veröffentlicht: (2024)

Towards Comprehensive and Prerequisite-Free Explainer for Graph Neural Networks
von: Zhang, Han, et al.
Veröffentlicht: (2025)

Explaining the Explainers in Graph Neural Networks: a Comparative Study
von: Longa, Antonio, et al.
Veröffentlicht: (2022)

FSX: Message Flow Sensitivity Enhanced Structural Explainer for Graph Neural Networks
von: Feng, Bizu, et al.
Veröffentlicht: (2026)

Can LLMs Leverage Observational Data? Towards Data-Driven Causal Discovery with LLMs
von: Susanti, Yuni, et al.
Veröffentlicht: (2025)

DyMRL: Dynamic Multispace Representation Learning for Multimodal Event Forecasting in Knowledge Graph
von: Zhao, Feng, et al.
Veröffentlicht: (2026)

Bridging RDF Knowledge Graphs with Graph Neural Networks for Semantically-Rich Recommender Systems
von: Färber, Michael, et al.
Veröffentlicht: (2025)

AutoRDF2GML: Facilitating RDF Integration in Graph Machine Learning
von: Färber, Michael, et al.
Veröffentlicht: (2024)

Paths to Causality: Finding Informative Subgraphs Within Knowledge Graphs for Knowledge-Based Causal Discovery
von: Susanti, Yuni, et al.
Veröffentlicht: (2025)

DyGMamba: Efficiently Modeling Long-Term Temporal Dependency on Continuous-Time Dynamic Graphs with State Space Models
von: Ding, Zifeng, et al.
Veröffentlicht: (2024)

Fast Explanations via Policy Gradient-Optimized Explainer
von: Pan, Deng, et al.
Veröffentlicht: (2024)

DyEdgeGAT: Dynamic Edge via Graph Attention for Early Fault Detection in IIoT Systems
von: Zhao, Mengjie, et al.
Veröffentlicht: (2023)

The Hidden Bias: A Study on Explicit and Implicit Political Stereotypes in Large Language Models
von: Löhr, Konrad, et al.
Veröffentlicht: (2025)

DyJR: Preserving Diversity in Reinforcement Learning with Verifiable Rewards via Dynamic Jensen-Shannon Replay
von: Li, Long, et al.
Veröffentlicht: (2026)

RegExplainer: Generating Explanations for Graph Neural Networks in Regression Tasks
von: Zhang, Jiaxing, et al.
Veröffentlicht: (2023)

DyC-STG: Dynamic Causal Spatio-Temporal Graph Network for Real-time Data Credibility Analysis in IoT
von: Cheng, Guanjie, et al.
Veröffentlicht: (2025)

DyG2Vec: Efficient Representation Learning for Dynamic Graphs
von: Alomrani, Mohammad Ali, et al.
Veröffentlicht: (2022)

Robust Stochastic Graph Generator for Counterfactual Explanations
von: Prado-Romero, Mario Alfonso, et al.
Veröffentlicht: (2023)

Evaluating Explainability in Machine Learning Predictions through Explainer-Agnostic Metrics
von: Munoz, Cristian, et al.
Veröffentlicht: (2023)

Understanding Post-hoc Explainers: The Case of Anchors
von: Lopardo, Gianluigi, et al.
Veröffentlicht: (2023)

A Cognitive Explainer for Fetal ultrasound images classifier Based on Medical Concepts
von: Wanga, Yingni, et al.
Veröffentlicht: (2022)

Explaining the Explainer: Understanding the Inner Workings of Transformer-based Symbolic Regression Models
von: van Breda, Arco, et al.
Veröffentlicht: (2026)

Game-theoretic Counterfactual Explanation for Graph Neural Networks
von: Chhablani, Chirag, et al.
Veröffentlicht: (2024)

Graph Edits for Counterfactual Explanations: A comparative study
von: Dimitriou, Angeliki, et al.
Veröffentlicht: (2024)

Counterfactual Identifiability via Dynamic Optimal Transport
von: Ribeiro, Fabio De Sousa, et al.
Veröffentlicht: (2025)

Axiomatic Characterisations of Sample-based Explainers
von: Amgoud, Leila, et al.
Veröffentlicht: (2024)

Counterfactual Fairness with Graph Uncertainty
von: Valério, Davi, et al.
Veröffentlicht: (2026)

A Neuro-Symbolic Explainer for Rare Events: A Case Study on Predictive Maintenance
von: Gama, João, et al.
Veröffentlicht: (2024)

Graph Counterfactual Explainable AI via Latent Space Traversal
von: Hansen, Andreas Abildtrup, et al.
Veröffentlicht: (2025)

Activation Oracles: Training and Evaluating LLMs as General-Purpose Activation Explainers
von: Karvonen, Adam, et al.
Veröffentlicht: (2025)

RouteExplainer: An Explanation Framework for Vehicle Routing Problem
von: Kikuta, Daisuke, et al.
Veröffentlicht: (2024)

DyCE: Dynamically Configurable Exiting for Deep Learning Compression and Real-time Scaling
von: Wang, Qingyuan, et al.
Veröffentlicht: (2024)

DySCo: Dynamic Semantic Compression for Effective Long-term Time Series Forecasting
von: Ao, Xiang, et al.
Veröffentlicht: (2026)

Local Universal Explainer (LUX) -- a rule-based explainer with factual, counterfactual and visual explanations
von: Bobek, Szymon, et al.
Veröffentlicht: (2023)