Buchumschlag

Integrating White and Black Box Techniques for Interpretable Machine Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Vernon, Eric M., Masuyama, Naoki, Nojima, Yusuke
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

Class-wise Classifier Design Capable of Continual Learning using Adaptive Resonance Theory-based Topological Clustering
von: Masuyama, Naoki, et al.
Veröffentlicht: (2022)

An Adaptive Resonance Theory-based Topological Clustering Algorithm with a Self-Adjusting Vigilance Parameter
von: Masuyama, Naoki, et al.
Veröffentlicht: (2025)

Multi-label Classification via Adaptive Resonance Theory-based Clustering
von: Masuyama, Naoki, et al.
Veröffentlicht: (2021)

A Parameter-free Adaptive Resonance Theory-based Topological Clustering Algorithm Capable of Continual Learning
von: Masuyama, Naoki, et al.
Veröffentlicht: (2023)

PHIDA: Persistence-Guided Node-to-Cluster Mapping for Online Clustering
von: Masuyama, Naoki, et al.
Veröffentlicht: (2026)

Privacy-preserving Continual Federated Clustering via Adaptive Resonance Theory
von: Masuyama, Naoki, et al.
Veröffentlicht: (2023)

Black-Box Anomaly Attribution
von: Idé, Tsuyoshi, et al.
Veröffentlicht: (2023)

From Black-Box to White-Box: Control-Theoretic Neural Network Interpretability
von: Moon, Jihoon
Veröffentlicht: (2025)

Are Linear Regression Models White Box and Interpretable?
von: Salih, Ahmed M, et al.
Veröffentlicht: (2024)

Black-Box Forgetting
von: Kuwana, Yusuke, et al.
Veröffentlicht: (2024)

Locally Pareto-Optimal Interpretations for Black-Box Machine Learning Models
von: Joshi, Aniruddha, et al.
Veröffentlicht: (2025)

Breaking the Black Box: Inherently Interpretable Physics-Constrained Machine Learning With Weighted Mixed-Effects for Imbalanced Seismic Data
von: Sreenath, Vemula, et al.
Veröffentlicht: (2025)

midr: Learning from Black-Box Models by Maximum Interpretation Decomposition
von: Asashiba, Ryoichi, et al.
Veröffentlicht: (2025)

Turning Black Box into White Box: Dataset Distillation Leaks
von: Chen, Huajie, et al.
Veröffentlicht: (2026)

Beyond the Black Box: Identifiable Interpretation and Control in Generative Models via Causal Minimality
von: Kong, Lingjing, et al.
Veröffentlicht: (2025)

Selecting Interpretability Techniques for Healthcare Machine Learning models
von: Sierra-Botero, Daniel, et al.
Veröffentlicht: (2024)

Benchmarking Instance-Centric Counterfactual Algorithms for XAI: From White Box to Black Box
von: Moreira, Catarina, et al.
Veröffentlicht: (2022)

Unboxing the Black Box: Mechanistic Interpretability for Algorithmic Understanding of Neural Networks
von: Kowalska, Bianka, et al.
Veröffentlicht: (2025)

Label Forensics: Interpreting Hard Labels in Black-Box Text Classifier
von: Du, Mengyao, et al.
Veröffentlicht: (2025)

Revitalizing Black-Box Interpretability: Actionable Interpretability for LLMs via Proxy Models
von: Liu, Junhao, et al.
Veröffentlicht: (2025)

Nearly Tight Black-Box Auditing of Differentially Private Machine Learning
von: Annamalai, Meenatchi Sundaram Muthu Selva, et al.
Veröffentlicht: (2024)

Reference Vector Adaptation and Mating Selection Strategy via Adaptive Resonance Theory-based Clustering for Many-objective Optimization
von: Kinoshita, Takato, et al.
Veröffentlicht: (2022)

Unlocking Interpretability for RF Sensing: A Complex-Valued White-Box Transformer
von: Zhang, Xie, et al.
Veröffentlicht: (2025)

Boundary Point Jailbreaking of Black-Box LLMs
von: Davies, Xander, et al.
Veröffentlicht: (2026)

PREF-XAI: Preference-Based Personalized Rule Explanations of Black-Box Machine Learning Models
von: Greco, Salvatore, et al.
Veröffentlicht: (2026)

Beyond the Black Box: Interpretability of LLMs in Finance
von: Tatsat, Hariom, et al.
Veröffentlicht: (2025)

Interpreting Black-box Machine Learning Models for High Dimensional Datasets
von: Karim, Md. Rezaul, et al.
Veröffentlicht: (2022)

Black Box Meta-Learning Intrinsic Rewards
von: Pappalardo, Octavio, et al.
Veröffentlicht: (2024)

Unlocking the Black Box of Latent Reasoning: An Interpretability-Guided Approach to Intervention
von: Chang, Shuochen, et al.
Veröffentlicht: (2026)

Smoothing the Black-Box: Signed-Distance Supervision for Black-Box Model Copying
von: Jiménez, Rubén, et al.
Veröffentlicht: (2026)

Practical Black Box Hamiltonian Learning
von: Gu, Andi, et al.
Veröffentlicht: (2022)

Towards White Box Deep Learning
von: Satkiewicz, Maciej
Veröffentlicht: (2024)

Locally Interpretable Individualized Treatment Rules for Black-Box Decision Models
von: Charvadeh, Yasin Khadem, et al.
Veröffentlicht: (2026)

Efficient Mixture Learning in Black-Box Variational Inference
von: Hotti, Alexandra, et al.
Veröffentlicht: (2024)

Kernel Learning for Sample Constrained Black-Box Optimization
von: Rajagopalan, Rajalaxmi, et al.
Veröffentlicht: (2025)

Adaptive Exponential Integration for Stable Gaussian Mixture Black-Box Variational Inference
von: Che, Baojun, et al.
Veröffentlicht: (2026)

Enhanced Photonic Chip Design via Interpretable Machine Learning Techniques
von: Pira, Lirandë, et al.
Veröffentlicht: (2025)

Uncertainty Quantification for Language Models: A Suite of Black-Box, White-Box, LLM Judge, and Ensemble Scorers
von: Bouchard, Dylan, et al.
Veröffentlicht: (2025)

Beyond the Black Box: An Interpretable Machine Learning Framework for Predicting Electronic Structure Microdescriptors and Structure-Performance Relationships in Fe-based Catalytic Systems
von: Romiluyi, Oyinkansola
Veröffentlicht: (2026)

BlackBoxToBlueprint: Extracting Interpretable Logic from Legacy Systems using Reinforcement Learning and Counterfactual Analysis
von: Rathore, Vidhi
Veröffentlicht: (2025)