Buchumschlag

AIDE: Antithetical, Intent-based, and Diverse Example-Based Explanations

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Nematov, Ikhtiyor, Sacharidis, Dimitris, Sagi, Tomer, Hose, Katja
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

The Susceptibility of Example-Based Explainability Methods to Class Outliers
von: Nematov, Ikhtiyor, et al.
Veröffentlicht: (2024)

Source Attribution in Retrieval-Augmented Generation
von: Nematov, Ikhtiyor, et al.
Veröffentlicht: (2025)

AIDE: AI-Driven Exploration in the Space of Code
von: Jiang, Zhengyao, et al.
Veröffentlicht: (2025)

Example-based Explanations for Random Forests using Machine Unlearning
von: Surve, Tanmay, et al.
Veröffentlicht: (2024)

Obtaining Example-Based Explanations from Deep Neural Networks
von: Dong, Genghua, et al.
Veröffentlicht: (2025)

Antithetic Sampling for Top-k Shapley Identification
von: Kolpaczki, Patrick, et al.
Veröffentlicht: (2025)

Excitation: Momentum For Experts
von: Shaier, Sagi
Veröffentlicht: (2026)

Machine Learning - Driven Materials Discovery: Unlocking Next-Generation Functional Materials - A review
von: Nematov, Dilshod, et al.
Veröffentlicht: (2025)

AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving
von: Liang, Mingfu, et al.
Veröffentlicht: (2024)

Intent Factored Generation: Unleashing the Diversity in Your Language Model
von: Ahmed, Eltayeb, et al.
Veröffentlicht: (2025)

Provable Robust Saliency-based Explanations
von: Chen, Chao, et al.
Veröffentlicht: (2022)

Interactive Example-based Explanations to Improve Health Professionals' Onboarding with AI for Human-AI Collaborative Decision Making
von: Lee, Min Hun, et al.
Veröffentlicht: (2024)

Reading with Intent -- Neutralizing Intent
von: Reichman, Benjamin, et al.
Veröffentlicht: (2025)

SHAP-based Explanations are Sensitive to Feature Representation
von: Hwang, Hyunseung, et al.
Veröffentlicht: (2025)

From Contextual Combinatorial Semi-Bandits to Bandit List Classification: Improved Sample Complexity with Sparse Rewards
von: Erez, Liad, et al.
Veröffentlicht: (2025)

Channel-Level Semantic Perturbations: Unlearnable Examples for Diverse Training Paradigms
von: Wang, Bo, et al.
Veröffentlicht: (2026)

GeckOpt: LLM System Efficiency via Intent-Based Tool Selection
von: Fore, Michael, et al.
Veröffentlicht: (2024)

PnPXAI: A Universal XAI Framework Providing Automatic Explanations Across Diverse Modalities and Models
von: Kim, Seongun, et al.
Veröffentlicht: (2025)

Uncertainty Quantification for Gradient-based Explanations in Neural Networks
von: Mulye, Mihir, et al.
Veröffentlicht: (2024)

Counterfactual Explanations for Deep Learning-Based Traffic Forecasting
von: Wang, Rushan, et al.
Veröffentlicht: (2024)

Unifying Attribution-Based Explanations Using Functional Decomposition
von: Gevaert, Arne, et al.
Veröffentlicht: (2024)

Improving Perturbation-based Explanations by Understanding the Role of Uncertainty Calibration
von: Decker, Thomas, et al.
Veröffentlicht: (2025)

Score-based Integrated Gradient for Root Cause Explanations of Outliers
von: Nguyen, Phuoc, et al.
Veröffentlicht: (2026)

Why Uncertainty Calibration Matters for Reliable Perturbation-based Explanations
von: Decker, Thomas, et al.
Veröffentlicht: (2025)

Concept-Based Abductive and Contrastive Explanations for Behaviors of Vision Models
von: Canizales, Ronaldo, et al.
Veröffentlicht: (2026)

Explanations are a Means to an End: Decision Theoretic Explanation Evaluation
von: Guo, Ziyang, et al.
Veröffentlicht: (2025)

Interpreting Inflammation Prediction Model via Tag-based Cohort Explanation
von: Meng, Fanyu, et al.
Veröffentlicht: (2024)

Tabular Diffusion based Actionable Counterfactual Explanations for Network Intrusion Detection
von: Galwaduge, Vinura, et al.
Veröffentlicht: (2025)

QUCE: The Minimisation and Quantification of Path-Based Uncertainty for Generative Counterfactual Explanations
von: Duell, Jamie, et al.
Veröffentlicht: (2024)

Error Analysis of Shapley Value-Based Model Explanations: An Informative Perspective
von: Zhao, Ningsheng, et al.
Veröffentlicht: (2024)

Is Your Explanation Reliable: Confidence-Aware Explanation on Graph Neural Networks
von: Zhang, Jiaxing, et al.
Veröffentlicht: (2025)

Directional Neural Collapse Explains Few-Shot Transfer in Self-Supervised Learning
von: Luthra, Achleshwar, et al.
Veröffentlicht: (2026)

Contrastive Learning on Medical Intents for Sequential Prescription Recommendation
von: Moghaddam, Arya Hadizadeh, et al.
Veröffentlicht: (2024)

Delivering Inflated Explanations
von: Izza, Yacine, et al.
Veröffentlicht: (2023)

Debiasing Machine Unlearning with Counterfactual Examples
von: Chen, Ziheng, et al.
Veröffentlicht: (2024)

Comparative Explanations: Explanation Guided Decision Making for Human-in-the-Loop Preference Selection
von: Chakraborty, Tanmay, et al.
Veröffentlicht: (2025)

An Inference-Based Architecture for Intent and Affordance Saturation in Decision-Making
von: Ilboudo, Wendyam Eric Lionel, et al.
Veröffentlicht: (2025)

Fast and Accurate Explanations of Distance-Based Classifiers by Uncovering Latent Explanatory Structures
von: Bley, Florian, et al.
Veröffentlicht: (2025)

Evaluating LLM-Based Process Explanations under Progressive Behavioral-Input Reduction
von: van Oerle, P., et al.
Veröffentlicht: (2025)

M3H: Multimodal Multitask Machine Learning for Healthcare
von: Bertsimas, Dimitris, et al.
Veröffentlicht: (2024)