Buchumschlag

Investigating the Impact of Balancing, Filtering, and Complexity on Predictive Multiplicity: A Data-Centric Perspective

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Cavus, Mustafa, Biecek, Przemyslaw
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

An Experimental Study on the Rashomon Effect of Balancing Methods in Imbalanced Classification
von: Cavus, Mustafa, et al.
Veröffentlicht: (2024)

The Role of Hyperparameters in Predictive Multiplicity
von: Cavus, Mustafa, et al.
Veröffentlicht: (2025)

The Effect of Balancing Methods on Model Behavior in Imbalanced Classification Problems
von: Stando, Adrian, et al.
Veröffentlicht: (2023)

Beyond the Single-Best Model: Rashomon Partial Dependence Profile for Trustworthy Explanations in AutoML
von: Cavus, Mustafa, et al.
Veröffentlicht: (2025)

Analyzing the Temporal Factors for Anxiety and Depression Symptoms with the Rashomon Perspective
von: Cavus, Mustafa, et al.
Veröffentlicht: (2026)

Mitigating the Multiplicity Burden: The Role of Calibration in Reducing Predictive Multiplicity of Classifiers
von: Cavus, Mustafa
Veröffentlicht: (2026)

Predictive Multiplicity in Survival Models: A Method for Quantifying Model Uncertainty in Predictive Maintenance Applications
von: Cavus, Mustafa
Veröffentlicht: (2025)

Decomposing Observational Multiplicity in Decision Trees: Leaf and Structural Regret
von: Cavus, Mustafa
Veröffentlicht: (2026)

On the Tunability of Random Survival Forests Model for Predictive Maintenance
von: Yardımcı, Yigitcan, et al.
Veröffentlicht: (2025)

Model Science: getting serious about verification, explanation and control of AI systems
von: Biecek, Przemyslaw, et al.
Veröffentlicht: (2025)

Position: Explain to Question not to Justify
von: Biecek, Przemyslaw, et al.
Veröffentlicht: (2024)

Birds look like cars: Adversarial analysis of intrinsically interpretable deep learning
von: Baniecki, Hubert, et al.
Veröffentlicht: (2025)

From XAI to MLOps: Explainable Concept Drift Detection with Profile Drift Detection
von: Dar, Ugur, et al.
Veröffentlicht: (2024)

An effect analysis of the balancing techniques on the counterfactual explanations of student success prediction models
von: Cavus, Mustafa, et al.
Veröffentlicht: (2024)

Adversarial attacks and defenses in explainable artificial intelligence: A survey
von: Baniecki, Hubert, et al.
Veröffentlicht: (2023)

Position: Do Not Explain Vision Models Without Context
von: Tomaszewska, Paulina, et al.
Veröffentlicht: (2024)

Global Counterfactual Directions
von: Sobieski, Bartlomiej, et al.
Veröffentlicht: (2024)

Rashomon perspective for measuring uncertainty in the survival predictive maintenance models
von: Yardimci, Yigitcan, et al.
Veröffentlicht: (2025)

Rashomon effect in Educational Research: Why More is Better Than One for Measuring the Importance of the Variables?
von: Kuzilek, Jakub, et al.
Veröffentlicht: (2024)

Exploring Local Explanations of Nonlinear Models Using Animated Linear Projections
von: Spyrison, Nicholas, et al.
Veröffentlicht: (2022)

Attributions All the Way Down? The Metagame of Interpretability
von: Baniecki, Hubert, et al.
Veröffentlicht: (2026)

The Grammar of Interactive Explanatory Model Analysis
von: Baniecki, Hubert, et al.
Veröffentlicht: (2020)

On the Robustness of Global Feature Effect Explanations
von: Baniecki, Hubert, et al.
Veröffentlicht: (2024)

Efficient and Accurate Explanation Estimation with Distribution Compression
von: Baniecki, Hubert, et al.
Veröffentlicht: (2024)

Explainable bank failure prediction models: Counterfactual explanations to reduce the failure risk
von: Gunonu, Seyma, et al.
Veröffentlicht: (2024)

Exploration of the Rashomon Set Assists Trustworthy Explanations for Medical Data
von: Kobylińska, Katarzyna, et al.
Veröffentlicht: (2023)

X-ray transferable polyrepresentation learning
von: Hryniewska-Guzik, Weronika, et al.
Veröffentlicht: (2025)

Performance is not enough: the story told by a Rashomon quartet
von: Biecek, Przemyslaw, et al.
Veröffentlicht: (2023)

Your CLIP has 164 dimensions of noise: Exploring the embeddings covariance eigenspectrum of contrastively pretrained vision-language transformers
von: Grzywaczewski, Jakub, et al.
Veröffentlicht: (2026)

Interpreting CLIP with Hierarchical Sparse Autoencoders
von: Zaigrajew, Vladimir, et al.
Veröffentlicht: (2025)

NormEnsembleXAI: Unveiling the Strengths and Weaknesses of XAI Ensemble Techniques
von: Hryniewska-Guzik, Weronika, et al.
Veröffentlicht: (2024)

Multi-task learning for classification, segmentation, reconstruction, and detection on chest CT scans
von: Hryniewska-Guzik, Weronika, et al.
Veröffentlicht: (2023)

SwordBench: Evaluating Orthogonality of Steering Image Representations
von: Zaigrajew, Vladimir, et al.
Veröffentlicht: (2026)

Data as a Lever: A Neighbouring Datasets Perspective on Predictive Multiplicity
von: Ganesh, Prakhar, et al.
Veröffentlicht: (2025)

Auditing Sybil: Explaining Deep Lung Cancer Risk Prediction Through Generative Interventional Attributions
von: Sobieski, Bartlomiej, et al.
Veröffentlicht: (2026)

LINE: LLM-based Iterative Neuron Explanations for Vision Models
von: Zaigrajew, Vladimir, et al.
Veröffentlicht: (2026)

MASCOTS: Model-Agnostic Symbolic COunterfactual explanations for Time Series
von: Płudowski, Dawid, et al.
Veröffentlicht: (2025)

Interpretable Machine Learning for Survival Analysis
von: Langbein, Sophie Hanna, et al.
Veröffentlicht: (2024)

A Closer Look on Memorization in Tabular Diffusion Model: A Data-Centric Perspective
von: Fang, Zhengyu, et al.
Veröffentlicht: (2025)

A Data-Centric Perspective on Evaluating Machine Learning Models for Tabular Data
von: Tschalzev, Andrej, et al.
Veröffentlicht: (2024)