Copertina

Leveraging Knowlegde Graphs for Interpretable Feature Generation

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Bouadi, Mohamed, Alavi, Arta, Benbernou, Salima, Ouziri, Mourad
Natura:	Preprint
Pubblicazione:	2024
Soggetti:	Machine Learning Artificial Intelligence
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

Semantic-Guided RL for Interpretable Feature Engineering
di: Bouadi, Mohamed, et al.
Pubblicazione: (2024)

OMNIA: Closing the Loop by Leveraging LLMs for Knowledge Graph Completion
di: Ieng, Frédéric, et al.
Pubblicazione: (2026)

Practical Quantum-Classical Feature Fusion for complex data Classification
di: Alavi, Azadeh, et al.
Pubblicazione: (2025)

Orion-Bix: Bi-Axial Attention for Tabular In-Context Learning
di: Bouadi, Mohamed, et al.
Pubblicazione: (2025)

Orion-MSP: Multi-Scale Sparse Attention for Tabular In-Context Learning
di: Bouadi, Mohamed, et al.
Pubblicazione: (2025)

Leveraging SPD Matrices on Riemannian Manifolds in Quantum Classical Hybrid Models for Structural Health Monitoring
di: Alavi, Azadeh, et al.
Pubblicazione: (2024)

Distilling Tabular Foundation Models for Structured Health Data
di: Tanna, Aditya, et al.
Pubblicazione: (2026)

TabTune: A Unified Library for Inference and Fine-Tuning Tabular Foundation Models
di: Tanna, Aditya, et al.
Pubblicazione: (2025)

Pocket Foundation Models: Distilling TFMs into CPU-Ready Gradient-Boosted Trees
di: Tanna, Aditya, et al.
Pubblicazione: (2026)

Ensembling Tabular Foundation Models - A Diversity Ceiling And A Calibration Trap
di: Tanna, Aditya, et al.
Pubblicazione: (2026)

Shaping the Prior: How Synthetic Task Distributions Determine Tabular Foundation Model Quality
di: Bouadi, Mohamed, et al.
Pubblicazione: (2026)

Data Presentation Over Architecture: Resampling Strategies for Credit Risk Prediction with Tabular Foundation Models
di: Tanna, Aditya, et al.
Pubblicazione: (2026)

A Unified Contrastive-Generative Framework for Time Series Classification
di: Liu, Ziyu, et al.
Pubblicazione: (2025)

Integrating Meta-Features with Knowledge Graph Embeddings for Meta-Learning
di: Klironomos, Antonis, et al.
Pubblicazione: (2026)

Green MLOps: Closed-Loop, Energy-Aware Inference with NVIDIA Triton, FastAPI, and Bio-Inspired Thresholding
di: Hamdi, Mustapha, et al.
Pubblicazione: (2026)

Towards Interpreting Multi-Objective Feature Associations
di: Pillai, Nisha, et al.
Pubblicazione: (2024)

Sparse Feature Circuits: Discovering and Editing Interpretable Causal Graphs in Language Models
di: Marks, Samuel, et al.
Pubblicazione: (2024)

Context Matters: Leveraging Contextual Features for Time Series Forecasting
di: Chattopadhyay, Sameep, et al.
Pubblicazione: (2024)

Faithful Interpretation for Graph Neural Networks
di: Hu, Lijie, et al.
Pubblicazione: (2024)

Interpretable DNA Sequence Classification via Dynamic Feature Generation in Decision Trees
di: Huynh, Nicolas, et al.
Pubblicazione: (2026)

The FIX Benchmark: Extracting Features Interpretable to eXperts
di: Jin, Helen, et al.
Pubblicazione: (2024)

Beyond Interpretability: The Gains of Feature Monosemanticity on Model Robustness
di: Zhang, Qi, et al.
Pubblicazione: (2024)

Towards Mechanistic Interpretability of Graph Transformers via Attention Graphs
di: El, Batu, et al.
Pubblicazione: (2025)

Concept Influence: Leveraging Interpretability to Improve Performance and Efficiency in Training Data Attribution
di: Kowal, Matthew, et al.
Pubblicazione: (2026)

Leveraging Graph Neural Networks to Forecast Electricity Consumption
di: Campagne, Eloi, et al.
Pubblicazione: (2024)

SE-VGAE: Unsupervised Disentangled Representation Learning for Interpretable Architectural Layout Design Graph Generation
di: Chen, Jielin, et al.
Pubblicazione: (2024)

The Interpretable and Effective Graph Neural Additive Networks
di: Bechler-Speicher, Maya, et al.
Pubblicazione: (2024)

Interpretable Graph Neural Networks for Tabular Data
di: Alkhatib, Amr, et al.
Pubblicazione: (2023)

Surrogate Interpretable Graph for Random Decision Forests
di: Dubey, Akshat, et al.
Pubblicazione: (2025)

Factor Graph-based Interpretable Neural Networks
di: Li, Yicong, et al.
Pubblicazione: (2025)

Interpretable Prototype-based Graph Information Bottleneck
di: Seo, Sangwoo, et al.
Pubblicazione: (2023)

Self-Supervised Learning for Time Series: Contrastive or Generative?
di: Liu, Ziyu, et al.
Pubblicazione: (2024)

Generating Hypotheses of Dynamic Causal Graphs in Neuroscience: Leveraging Generative Factor Models of Observed Time Series
di: Brown, Zachary C., et al.
Pubblicazione: (2025)

Leveraging Invariant Principle for Heterophilic Graph Structure Distribution Shifts
di: Yang, Jinluan, et al.
Pubblicazione: (2024)

Leveraging Multi-facet Paths for Heterogeneous Graph Representation Learning
di: Kim, Jongwoo, et al.
Pubblicazione: (2024)

Leveraging Manifold Embeddings for Enhanced Graph Transformer Representations and Learning
di: Jyothish, Ankit, et al.
Pubblicazione: (2025)

CurvGAD: Leveraging Curvature for Enhanced Graph Anomaly Detection
di: Grover, Karish, et al.
Pubblicazione: (2025)

Multi-View Graph Feature Propagation for Privacy Preservation and Feature Sparsity
di: Harari, Etzion, et al.
Pubblicazione: (2025)

DSAI: Unbiased and Interpretable Latent Feature Extraction for Data-Centric AI
di: Cho, Hyowon, et al.
Pubblicazione: (2024)

Interpretability-by-Design with Accurate Locally Additive Models and Conditional Feature Effects
di: Gkolemis, Vasilis, et al.
Pubblicazione: (2026)