Buchumschlag

Interpreting Neural Networks through Mahalanobis Distance

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Oursland, Alan
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

Neural Networks Use Distance Metrics
von: Oursland, Alan
Veröffentlicht: (2024)

Neural Networks Learn Distance Metrics
von: Oursland, Alan
Veröffentlicht: (2025)

Gradient Descent as Implicit EM in Distance-Based Neural Models
von: Oursland, Alan
Veröffentlicht: (2025)

MahaVar: OOD Detection via Class-wise Mahalanobis Distance Variance under Neural Collapse
von: Kim, Donghwan, et al.
Veröffentlicht: (2026)

Toxicity Assessment in Preclinical Histopathology via Class-Aware Mahalanobis Distance for Known and Novel Anomalies
von: Graf, Olga, et al.
Veröffentlicht: (2026)

Deriving Decoder-Free Sparse Autoencoders from First Principles
von: Oursland, Alan
Veröffentlicht: (2026)

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

Training Neural Networks for Modularity aids Interpretability
von: Golechha, Satvik, et al.
Veröffentlicht: (2024)

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

Interpretable Neural Networks with Random Constructive Algorithm
von: Nan, Jing, et al.
Veröffentlicht: (2023)

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

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

A Comprehensive Survey on Self-Interpretable Neural Networks
von: Ji, Yang, et al.
Veröffentlicht: (2025)

Closed-Form Interpretation of Neural Network Classifiers with Symbolic Gradients
von: Wetzel, Sebastian Johann
Veröffentlicht: (2024)

Attention Consistency Regularization for Interpretable Early-Exit Neural Networks
von: Zhao, Yanhua
Veröffentlicht: (2026)

Efficient and Interpretable Neural Networks Using Complex Lehmer Transform
von: Ataei, Masoud, et al.
Veröffentlicht: (2025)

Distance-informed Neural Processes
von: Venkataramanan, Aishwarya, et al.
Veröffentlicht: (2025)

Neural Probabilistic Circuits: Enabling Compositional and Interpretable Predictions through Logical Reasoning
von: Chen, Weixin, et al.
Veröffentlicht: (2025)

GINN-KAN: Interpretability pipelining with applications in Physics Informed Neural Networks
von: Ranasinghe, Nisal, et al.
Veröffentlicht: (2024)

Deep Model Merging: The Sister of Neural Network Interpretability -- A Survey
von: Khan, Arham, et al.
Veröffentlicht: (2024)

Closed-Form Interpretation of Neural Network Latent Spaces with Symbolic Gradients
von: Wetzel, Sebastian J., et al.
Veröffentlicht: (2024)

Framework GNN-AID: Graph Neural Network Analysis Interpretation and Defense
von: Lukyanov, Kirill, et al.
Veröffentlicht: (2025)

Compositional Function Networks: A High-Performance Alternative to Deep Neural Networks with Built-in Interpretability
von: Li, Fang
Veröffentlicht: (2025)

Massive Activations in Graph Neural Networks: Decoding Attention for Domain-Dependent Interpretability
von: Bini, Lorenzo, et al.
Veröffentlicht: (2024)

nn2poly: An R Package for Converting Neural Networks into Interpretable Polynomials
von: Morala, Pablo, et al.
Veröffentlicht: (2024)

DiffusionBlocks: Block-wise Neural Network Training via Diffusion Interpretation
von: Shing, Makoto, et al.
Veröffentlicht: (2025)

A Universal and Robust Framework for Multiple Gas Recognition Based-on Spherical Normalization-Coupled Mahalanobis Algorithm
von: Chen, Shuai, et al.
Veröffentlicht: (2025)

SIG: Efficient Self-Interpretable Graph Neural Network for Continuous-time Dynamic Graphs
von: Fang, Lanting, et al.
Veröffentlicht: (2024)

Unveiling Global Interactive Patterns across Graphs: Towards Interpretable Graph Neural Networks
von: Wang, Yuwen, et al.
Veröffentlicht: (2024)

FocusLearn: Fully-Interpretable, High-Performance Modular Neural Networks for Time Series
von: Su, Qiqi, et al.
Veröffentlicht: (2023)

Atherosclerosis through Hierarchical Explainable Neural Network Analysis
von: Adam, Irsyad, et al.
Veröffentlicht: (2025)

Neural Logic Networks for Interpretable Classification
von: Perreault, Vincent, et al.
Veröffentlicht: (2025)

Differentiable Weightless Neural Networks
von: Bacellar, Alan T. L., et al.
Veröffentlicht: (2024)

Discovering Chunks in Neural Embeddings for Interpretability
von: Wu, Shuchen, et al.
Veröffentlicht: (2025)

GINN-LP: A Growing Interpretable Neural Network for Discovering Multivariate Laurent Polynomial Equations
von: Ranasinghe, Nisal, et al.
Veröffentlicht: (2023)

Developing Distance-Aware, and Evident Uncertainty Quantification in Dynamic Physics-Constrained Neural Networks for Robust Bearing Degradation Estimation
von: Razzaq, Waleed, et al.
Veröffentlicht: (2025)

Controllable Edge-Type-Specific Interpretation in Multi-Relational Graph Neural Networks for Drug Response Prediction
von: Li, Xiaodi, et al.
Veröffentlicht: (2024)

Air Traffic Controller Task Demand via Graph Neural Networks: An Interpretable Approach to Airspace Complexity
von: Henderson, Edward, et al.
Veröffentlicht: (2025)

MINAR: Mechanistic Interpretability for Neural Algorithmic Reasoning
von: He, Jesse, et al.
Veröffentlicht: (2026)

Graph Edit Distance with General Costs Using Neural Set Divergence
von: Jain, Eeshaan, et al.
Veröffentlicht: (2024)