Buchumschlag

A User Study on Contrastive Explanations for Multi-Effector Temporal Planning with Non-Stationary Costs

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Liu, Xiaowei, McAreavey, Kevin, Liu, Weiru
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Artificial Intelligence Human-Computer Interaction Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

TSFeatLIME: An Online User Study in Enhancing Explainability in Univariate Time Series Forecasting
von: Ma, Hongnan, et al.
Veröffentlicht: (2024)

MetaExplainer: A Framework to Generate Multi-Type User-Centered Explanations for AI Systems
von: Chari, Shruthi, et al.
Veröffentlicht: (2025)

Introducing User Feedback-based Counterfactual Explanations (UFCE)
von: Suffian, Muhammad, et al.
Veröffentlicht: (2024)

Cross-Subject EEG Emotion Recognition Based on Temporal Asynchronous Alignment Contrastive Learning
von: Xie, Ying, et al.
Veröffentlicht: (2026)

Designing User-Centric Behavioral Interventions to Prevent Dysglycemia with Novel Counterfactual Explanations
von: Arefeen, Asiful, et al.
Veröffentlicht: (2023)

Cost-Effective Online Multi-LLM Selection with Versatile Reward Models
von: Dai, Xiangxiang, et al.
Veröffentlicht: (2024)

Context-Aware Visualization for Explainable AI Recommendations in Social Media: A Vision for User-Aligned Explanations
von: Alkhateeb, Banan, et al.
Veröffentlicht: (2025)

Domain-Adversarial Anatomical Graph Networks for Cross-User Human Activity Recognition
von: Ye, Xiaozhou, et al.
Veröffentlicht: (2025)

Reinforcement Learning Driven Generalizable Feature Representation for Cross-User Activity Recognition
von: Ye, Xiaozhou, et al.
Veröffentlicht: (2025)

U-Define: Designing User Workflows for Hard and Soft Constraints in LLM-Based Planning
von: Lee, Christine P, et al.
Veröffentlicht: (2026)

A qualitative field study on explainable AI for lay users subjected to AI cyberattacks
von: McAreavey, Kevin, et al.
Veröffentlicht: (2024)

Learning Social Cost Functions for Human-Aware Path Planning
von: Eirale, Andrea, et al.
Veröffentlicht: (2024)

From Prototypes to Sparse ECG Explanations: SHAP-Driven Counterfactuals for Multivariate Time-Series Multi-class Classification
von: Mozolewski, Maciej, et al.
Veröffentlicht: (2025)

Explaining AI Without Code: A User Study on Explainable AI
von: Abarca, Natalia, et al.
Veröffentlicht: (2025)

Deep Generative Domain Adaptation with Temporal Attention for Cross-User Activity Recognition
von: Ye, Xiaozhou, et al.
Veröffentlicht: (2024)

Deep Generative Domain Adaptation with Temporal Relation Knowledge for Cross-User Activity Recognition
von: Ye, Xiaozhou, et al.
Veröffentlicht: (2024)

Explaining Reinforcement Learning: A Counterfactual Shapley Values Approach
von: Shi, Yiwei, et al.
Veröffentlicht: (2024)

Assessing the Real-World Utility of Explainable AI for Arousal Diagnostics: An Application-Grounded User Study
von: Kraft, Stefan, et al.
Veröffentlicht: (2025)

Evaluation of Human-Understandability of Global Model Explanations using Decision Tree
von: Sivaprasad, Adarsa, et al.
Veröffentlicht: (2023)

Explanation through Reward Model Reconciliation using POMDP Tree Search
von: Kraske, Benjamin D., et al.
Veröffentlicht: (2023)

ContextualSHAP : Enhancing SHAP Explanations Through Contextual Language Generation
von: Dwiyanti, Latifa, et al.
Veröffentlicht: (2025)

Visual-Conversational Interface for Evidence-Based Explanation of Diabetes Risk Prediction
von: Samimi, Reza, et al.
Veröffentlicht: (2025)

Petal-X: Human-Centered Visual Explanations to Improve Cardiovascular Risk Communication
von: Rojo, Diego, et al.
Veröffentlicht: (2024)

Does Explanation Correctness Matter? Linking Computational XAI Evaluation to Human Understanding
von: Baer, Gregor, et al.
Veröffentlicht: (2026)

Counterfactual Explanation-Based Badminton Motion Guidance Generation Using Wearable Sensors
von: Seong, Minwoo, et al.
Veröffentlicht: (2024)

Diagrammatization and Abduction to Improve AI Interpretability With Domain-Aligned Explanations for Medical Diagnosis
von: Lim, Brian Y., et al.
Veröffentlicht: (2023)

Diffusion Explainer: Visual Explanation for Text-to-image Stable Diffusion
von: Lee, Seongmin, et al.
Veröffentlicht: (2023)

DiConStruct: Causal Concept-based Explanations through Black-Box Distillation
von: Moreira, Ricardo, et al.
Veröffentlicht: (2024)

I-CEE: Tailoring Explanations of Image Classification Models to User Expertise
von: Rong, Yao, et al.
Veröffentlicht: (2023)

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)

AdaShadow: Responsive Test-time Model Adaptation in Non-stationary Mobile Environments
von: Fang, Cheng, et al.
Veröffentlicht: (2024)

L2CU: Learning to Complement Unseen Users
von: Pitawela, Dileepa, et al.
Veröffentlicht: (2026)

LLMs for XAI: Future Directions for Explaining Explanations
von: Zytek, Alexandra, et al.
Veröffentlicht: (2024)

A Systematic Review of User-Centred Evaluation of Explainable AI in Healthcare
von: Donoso-Guzmán, Ivania, et al.
Veröffentlicht: (2025)

Optimizing Feature Extraction for On-device Model Inference with User Behavior Sequences
von: Gong, Chen, et al.
Veröffentlicht: (2026)

Explainability for Machine Learning Models: From Data Adaptability to User Perception
von: Delaunay, julien
Veröffentlicht: (2024)

Interaction as Explanation: A User Interaction-based Method for Explaining Image Classification Models
von: Yun, Hyeonggeun
Veröffentlicht: (2024)

Optimizing Data Delivery: Insights from User Preferences on Visuals, Tables, and Text
von: Luera, Reuben, et al.
Veröffentlicht: (2024)

Evaluating Deep Networks for Detecting User Familiarity with VR from Hand Interactions
von: Li, Mingjun, et al.
Veröffentlicht: (2024)

Towards User-Focused Research in Training Data Attribution for Human-Centered Explainable AI
von: Nguyen, Elisa, et al.
Veröffentlicht: (2024)