Copertina

Privilege Scores

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Bothmann, Ludwig, Boustani, Philip A., Alvarez, Jose M., Casalicchio, Giuseppe, Bischl, Bernd, Dandl, Susanne
Natura:	Preprint
Pubblicazione:	2025
Soggetti:	Machine Learning
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

mlr3summary: Concise and interpretable summaries for machine learning models
di: Dandl, Susanne, et al.
Pubblicazione: (2024)

Causal Fair Machine Learning via Rank-Preserving Interventional Distributions
di: Bothmann, Ludwig, et al.
Pubblicazione: (2023)

Trust Me, I Know the Way: Predictive Uncertainty in the Presence of Shortcut Learning
di: Wimmer, Lisa, et al.
Pubblicazione: (2025)

A Guide to Feature Importance Methods for Scientific Inference
di: Ewald, Fiona Katharina, et al.
Pubblicazione: (2024)

What Is Fairness? On the Role of Protected Attributes and Fictitious Worlds
di: Bothmann, Ludwig, et al.
Pubblicazione: (2022)

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

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

Analyzing Error Sources in Global Feature Effect Estimation
di: Heiß, Timo, et al.
Pubblicazione: (2026)

fmeffects: An R Package for Forward Marginal Effects
di: Löwe, Holger, et al.
Pubblicazione: (2023)

CASHomon Sets: Efficient Rashomon Sets Across Multiple Model Classes and their Hyperparameters
di: Ewald, Fiona Katharina, et al.
Pubblicazione: (2026)

Optimal Transport Group Counterfactual Explanations
di: Valero-Leal, Enrique, et al.
Pubblicazione: (2026)

Decomposing Global Feature Effects Based on Feature Interactions
di: Herbinger, Julia, et al.
Pubblicazione: (2023)

Connecting the Dots: Is Mode-Connectedness the Key to Feasible Sample-Based Inference in Bayesian Neural Networks?
di: Sommer, Emanuel, et al.
Pubblicazione: (2024)

xplainfi: Feature Importance and Statistical Inference for Machine Learning in R
di: Burk, Lukas, et al.
Pubblicazione: (2026)

Position Paper: Bridging the Gap Between Machine Learning and Sensitivity Analysis
di: Scholbeck, Christian A., et al.
Pubblicazione: (2023)

CountARFactuals -- Generating plausible model-agnostic counterfactual explanations with adversarial random forests
di: Dandl, Susanne, et al.
Pubblicazione: (2024)

TABFAIRGDT: A Fast Fair Tabular Data Generator using Autoregressive Decision Trees
di: Panagiotou, Emmanouil, et al.
Pubblicazione: (2025)

Overcoming Fairness Trade-offs via Pre-processing: A Causal Perspective
di: Leininger, Charlotte, et al.
Pubblicazione: (2025)

Invariance Pair-Guided Learning: Enhancing Robustness in Neural Networks
di: Surner, Martin, et al.
Pubblicazione: (2025)

On Training Survival Models with Scoring Rules
di: Kopper, Philipp, et al.
Pubblicazione: (2024)

Beyond Off-the-Shelf Models: A Lightweight and Accessible Machine Learning Pipeline for Ecologists Working with Image Data
di: Chemery, Clare, et al.
Pubblicazione: (2026)

Position: Why We Must Rethink Empirical Research in Machine Learning
di: Herrmann, Moritz, et al.
Pubblicazione: (2024)

Overtuning in Hyperparameter Optimization
di: Schneider, Lennart, et al.
Pubblicazione: (2025)

Effector: A Python package for regional explanations
di: Gkolemis, Vasilis, et al.
Pubblicazione: (2024)

Differentiable Sparsity via $D$-Gating: Simple and Versatile Structured Penalization
di: Kolb, Chris, et al.
Pubblicazione: (2025)

Calibrating LLMs with Information-Theoretic Evidential Deep Learning
di: Li, Yawei, et al.
Pubblicazione: (2025)

Deep Weight Factorization: Sparse Learning Through the Lens of Artificial Symmetries
di: Kolb, Chris, et al.
Pubblicazione: (2025)

Reshuffling Resampling Splits Can Improve Generalization of Hyperparameter Optimization
di: Nagler, Thomas, et al.
Pubblicazione: (2024)

What Makes Forest-Based Heterogeneous Treatment Effect Estimators Work?
di: Dandl, Susanne, et al.
Pubblicazione: (2022)

Structured Credal Learning
di: Venkatesh, Varun, et al.
Pubblicazione: (2026)

Post-hoc Orthogonalization for Mitigation of Protected Feature Bias in CXR Embeddings
di: Weber, Tobias, et al.
Pubblicazione: (2023)

Deep Learning for Survival Analysis: A Review
di: Wiegrebe, Simon, et al.
Pubblicazione: (2023)

Uncertainty-aware Pseudo-label Selection for Positive-Unlabeled Learning
di: Dorigatti, Emilio, et al.
Pubblicazione: (2022)

mlr3torch: A Deep Learning Framework in R based on mlr3 and torch
di: Fischer, Sebastian, et al.
Pubblicazione: (2026)

mlr3mbo: Bayesian Optimization in R
di: Becker, Marc, et al.
Pubblicazione: (2026)

Smoothing the Edges: Smooth Optimization for Sparse Regularization using Hadamard Overparametrization
di: Kolb, Chris, et al.
Pubblicazione: (2023)

Explaining Bayesian Optimization by Shapley Values Facilitates Human-AI Collaboration
di: Rodemann, Julian, et al.
Pubblicazione: (2024)

Revisiting Unbiased Implicit Variational Inference
di: Pielok, Tobias, et al.
Pubblicazione: (2025)

AttributionLab: Faithfulness of Feature Attribution Under Controllable Environments
di: Zhang, Yang, et al.
Pubblicazione: (2023)

Semi-Implicit Variational Inference via Kernelized Path Gradient Descent
di: Pielok, Tobias, et al.
Pubblicazione: (2025)