Buchumschlag

How Your Location Relates to Health: Variable Importance and Interpretable Machine Learning for Environmental and Sociodemographic Data

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Maitra, Ishaan, Lin, Raymond, Chen, Eric, Donnelly, Jon, Šćepanović, Sanja, Rudin, Cynthia
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

The Rashomon Importance Distribution: Getting RID of Unstable, Single Model-based Variable Importance
von: Donnelly, Jon, et al.
Veröffentlicht: (2023)

Doctor Rashomon and the UNIVERSE of Madness: Variable Importance with Unobserved Confounding and the Rashomon Effect
von: Donnelly, Jon, et al.
Veröffentlicht: (2025)

Interpretable Generalized Additive Models for Datasets with Missing Values
von: McTavish, Hayden, et al.
Veröffentlicht: (2024)

Interpretable Image Classification with Adaptive Prototype-based Vision Transformers
von: Ma, Chiyu, et al.
Veröffentlicht: (2024)

What You See is (Usually) What You Get: Multimodal Prototype Networks that Abstain from Expensive Modalities
von: Bahng, Muchang, et al.
Veröffentlicht: (2025)

Rashomon Sets for Prototypical-Part Networks: Editing Interpretable Models in Real-Time
von: Donnelly, Jon, et al.
Veröffentlicht: (2025)

When and How AI Should Assist Brainstorming for AI Impact Assessment
von: Govers, Jarod, et al.
Veröffentlicht: (2026)

Models That Are Interpretable But Not Transparent
von: Zhong, Chudi, et al.
Veröffentlicht: (2025)

Leveraging Predictive Equivalence in Decision Trees
von: McTavish, Hayden, et al.
Veröffentlicht: (2025)

Characterizing Fake News Targeting Corporations
von: Zhou, Ke, et al.
Veröffentlicht: (2024)

Why AI Harms Can't Be Fixed One Identity at a Time: What 5300 Incident Reports Reveal About Intersectionality
von: Bogucka, Edyta, et al.
Veröffentlicht: (2026)

Atlas of AI Risks: Enhancing Public Understanding of AI Risks
von: Bogucka, Edyta, et al.
Veröffentlicht: (2025)

Interpretable Causal Inference for Analyzing Wearable, Sensor, and Distributional Data
von: Katta, Srikar, et al.
Veröffentlicht: (2023)

FPN-IAIA-BL: A Multi-Scale Interpretable Deep Learning Model for Classification of Mass Margins in Digital Mammography
von: Yang, Julia, et al.
Veröffentlicht: (2024)

Leo Breiman, the Rashomon Effect, and the Occam Dilemma
von: Rudin, Cynthia
Veröffentlicht: (2025)

This Looks Better than That: Better Interpretable Models with ProtoPNeXt
von: Willard, Frank, et al.
Veröffentlicht: (2024)

Trustworthy Feature Importance Avoids Unrestricted Permutations
von: Borgonovo, Emanuele, et al.
Veröffentlicht: (2026)

Health-promoting Potential of Parks in 35 Cities Worldwide
von: Dietz, Linus W., et al.
Veröffentlicht: (2024)

Co-designing an AI Impact Assessment Report Template with AI Practitioners and AI Compliance Experts
von: Bogucka, Edyta, et al.
Veröffentlicht: (2024)

Impact Assessment Card: Communicating Risks and Benefits of AI Uses
von: Bogucka, Edyta, et al.
Veröffentlicht: (2025)

Good Intentions, Risky Inventions: A Method for Assessing the Risks and Benefits of AI in Mobile and Wearable Uses
von: Constantinides, Marios, et al.
Veröffentlicht: (2024)

ExploreGen: Large Language Models for Envisioning the Uses and Risks of AI Technologies
von: Herdel, Viviane, et al.
Veröffentlicht: (2024)

A Double Machine Learning Approach to Combining Experimental and Observational Data
von: Parikh, Harsh, et al.
Veröffentlicht: (2023)

It's LIT! Reliability-Optimized LLMs with Inspectable Tools
von: Zhang, Ruixin, et al.
Veröffentlicht: (2025)

Relative Importance of Accounting Standards and National Regulatory Frameworks on Opportunistic Asset Sales Decisions
von: Domenico Campa, et al.
Veröffentlicht: (2025)

Deformable ProtoPNet: An Interpretable Image Classifier Using Deformable Prototypes
von: Donnelly, Jon, et al.
Veröffentlicht: (2021)

Location Sensitive Embedding for Knowledge Graph Reasoning
von: Banerjee, Deepak, et al.
Veröffentlicht: (2023)

"What is Different Between These Datasets?" A Framework for Explaining Data Distribution Shifts
von: Babbar, Varun, et al.
Veröffentlicht: (2024)

RiskRAG: A Data-Driven Solution for Improved AI Model Risk Reporting
von: Rao, Pooja S. B., et al.
Veröffentlicht: (2025)

Vitamin N: Benefits of Different Forms of Public Greenery for Urban Health
von: Šćepanović, Sanja, et al.
Veröffentlicht: (2025)

This EEG Looks Like These EEGs: Interpretable Interictal Epileptiform Discharge Detection With ProtoEEG-kNN
von: Tang, Dennis, et al.
Veröffentlicht: (2025)

Momentum Attention: The Physics of In-Context Learning and Spectral Forensics for Mechanistic Interpretability
von: Maitra, Kingsuk
Veröffentlicht: (2026)

REALITrees: Rashomon Ensemble Active Learning for Interpretable Trees
von: Nguyen, Simon D., et al.
Veröffentlicht: (2026)

The Quiet Path from Seemingly Minor Design Errors to Workplace AI Incidents
von: Velázquez, Julia De Miguel, et al.
Veröffentlicht: (2026)

Russia's Diplomatic Maneuvering In the Israel‐Palestine War
von: Janko Šćepanović
Veröffentlicht: (2024)

Variable Selection Using Relative Importance Rankings
von: Chang, Tien-En, et al.
Veröffentlicht: (2025)

Relative Importance of Learning Variables on L2 Performance
von: Gabriela Olivares-Cuhat
Veröffentlicht: (2010)

Data Fusion for Partial Identification of Causal Effects
von: Lanners, Quinn, et al.
Veröffentlicht: (2025)

Amazing Things Come From Having Many Good Models
von: Rudin, Cynthia, et al.
Veröffentlicht: (2024)

The Potential Impact of Disruptive AI Innovations on U.S. Occupations
von: Kim, Munjung, et al.
Veröffentlicht: (2025)