Copertina

Optimal ablation for interpretability

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Li, Maximilian, Janson, Lucas
Natura:	Preprint
Pubblicazione:	2024
Soggetti:	Machine Learning
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

Foundations of Safe Online Reinforcement Learning in the Linear Quadratic Regulator: Generalized Baselines
di: Schiffer, Benjamin, et al.
Pubblicazione: (2024)

Foundations of Safe Online Reinforcement Learning in the Linear Quadratic Regulator: $\sqrt{T}$-Regret
di: Schiffer, Benjamin, et al.
Pubblicazione: (2025)

The Relative Instability of Model Comparison with Cross-validation
di: Bayle, Alexandre, et al.
Pubblicazione: (2025)

Chiseling: Powerful and Valid Subgroup Selection via Interactive Machine Learning
di: Cheng, Nathan, et al.
Pubblicazione: (2025)

Bernstein-von Mises for Adaptively Collected Data
di: Du, Kevin, et al.
Pubblicazione: (2025)

Using Machine Learning to Test Causal Hypotheses in Conjoint Analysis
di: Ham, Dae Woong, et al.
Pubblicazione: (2022)

Context in Public Health for Underserved Communities: A Bayesian Approach to Online Restless Bandits
di: Liang, Biyonka, et al.
Pubblicazione: (2024)

Stabilizing Native Low-Rank LLM Pretraining
di: Janson, Paul, et al.
Pubblicazione: (2026)

Forest-ORE: Mining Optimal Rule Ensemble to interpret Random Forest models
di: Maissae, Haddouchi, et al.
Pubblicazione: (2024)

Learning Optimal Search Strategies
di: Ankirchner, Stefan, et al.
Pubblicazione: (2026)

A New Perspective on Shampoo's Preconditioner
di: Morwani, Depen, et al.
Pubblicazione: (2024)

Evaluating the Effectiveness of Index-Based Treatment Allocation
di: Boehmer, Niclas, et al.
Pubblicazione: (2024)

A Theoretical Characterization of Optimal Data Augmentations in Self-Supervised Learning
di: Feigin, Shlomo Libo, et al.
Pubblicazione: (2024)

Fishnets: Information-Optimal, Scalable Aggregation for Sets and Graphs
di: Makinen, T. Lucas, et al.
Pubblicazione: (2023)

Heterogeneous Low-Bandwidth Pre-Training of LLMs
di: Obeidi, Yazan, et al.
Pubblicazione: (2026)

Challenges in interpretability of additive models
di: Zhang, Xinyu, et al.
Pubblicazione: (2025)

Are machine learning interpretations reliable? A stability study on global interpretations
di: Gan, Luqin, et al.
Pubblicazione: (2025)

SOAP: Improving and Stabilizing Shampoo using Adam
di: Vyas, Nikhil, et al.
Pubblicazione: (2024)

How to use and interpret activation patching
di: Heimersheim, Stefan, et al.
Pubblicazione: (2024)

Bilinear autoencoders find interpretable manifolds
di: Dooms, Thomas, et al.
Pubblicazione: (2026)

Evaluating SAE interpretability without explanations
di: Paulo, Gonçalo, et al.
Pubblicazione: (2025)

PyLO: Towards Accessible Learned Optimizers in PyTorch
di: Janson, Paul, et al.
Pubblicazione: (2025)

Minimal Sufficient Representations for Self-interpretable Deep Neural Networks
di: Tan, Zhiyao, et al.
Pubblicazione: (2026)

AutoScore-Imbalance: An interpretable machine learning tool for development of clinical scores with rare events data
di: Yuan, Han, et al.
Pubblicazione: (2021)

Learning accurate and interpretable tree-based models
di: Balcan, Maria-Florina, et al.
Pubblicazione: (2024)

Bilinear MLPs enable weight-based mechanistic interpretability
di: Pearce, Michael T., et al.
Pubblicazione: (2024)

Learning interpretable positional encodings in transformers depends on initialization
di: Ito, Takuya, et al.
Pubblicazione: (2024)

Domain-Aware Continual Zero-Shot Learning
di: Yi, Kai, et al.
Pubblicazione: (2021)

Incorporating contextual information into KGWAS for interpretable GWAS discovery
di: Jiang, Cheng, et al.
Pubblicazione: (2026)

Towards interpretable AI with quantum annealing feature selection
di: Venturelli, Francesco Aldo, et al.
Pubblicazione: (2026)

Neural Cluster First, Route Second: One-Shot Capacitated Vehicle Routing via Differentiable Optimal Transport
di: Chin, Samuel J. K., et al.
Pubblicazione: (2026)

Beyond Cosine Decay: On the effectiveness of Infinite Learning Rate Schedule for Continual Pre-training
di: Singh, Vaibhav, et al.
Pubblicazione: (2025)

scE2TM improves single-cell embedding interpretability and reveals cellular perturbation signatures
di: Chen, Hegang, et al.
Pubblicazione: (2025)

Optimal algorithmic complexity of inference in quantum kernel methods
di: Gil-Fuster, Elies, et al.
Pubblicazione: (2026)

Topological safeguard for evasion attack interpreting the neural networks' behavior
di: Echeberria-Barrio, Xabier, et al.
Pubblicazione: (2024)

Discovering interpretable models of scientific image data with deep learning
di: Soelistyo, Christopher J., et al.
Pubblicazione: (2024)

Towards eliciting latent knowledge from LLMs with mechanistic interpretability
di: Cywiński, Bartosz, et al.
Pubblicazione: (2025)

From superposition to sparse codes: interpretable representations in neural networks
di: Klindt, David, et al.
Pubblicazione: (2025)

Bayesian neural networks with interpretable priors from Mercer kernels
di: Alberts, Alex, et al.
Pubblicazione: (2025)

Bias-Optimal Bounds for SGD: A Computer-Aided Lyapunov Analysis
di: Cortild, Daniel, et al.
Pubblicazione: (2025)