Buchumschlag

Interpretable Rules for Online Failure Prediction: A Case Study on the Metro do Porto dataset

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Jakobs, Matthias, Veloso, Bruno, Gama, Joao
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

A Neuro-Symbolic Explainer for Rare Events: A Case Study on Predictive Maintenance
von: Gama, João, et al.
Veröffentlicht: (2024)

Causally-Constrained Probabilistic Forecasting for Time-Series Anomaly Detection
von: Khosravinia, Pooyan, et al.
Veröffentlicht: (2026)

AALF: Almost Always Linear Forecasting
von: Jakobs, Matthias, et al.
Veröffentlicht: (2024)

Super-Resolution Analysis for Landfill Waste Classification
von: Molina, Matias, et al.
Veröffentlicht: (2024)

Explainable Adaptive Tree-based Model Selection for Time Series Forecasting
von: Jakobs, Matthias, et al.
Veröffentlicht: (2024)

Decentralized Time Series Classification with ROCKET Features
von: Casella, Bruno, et al.
Veröffentlicht: (2025)

UMOD: A Novel and Effective Urban Metro Origin-Destination Flow Prediction Method
von: Xie, Peng, et al.
Veröffentlicht: (2024)

A Bayesian Framework for Post-disruption Travel Time Prediction in Metro Networks
von: Nazemi, Shayan, et al.
Veröffentlicht: (2026)

Online Consistency of the Nearest Neighbor Rule
von: Dasgupta, Sanjoy, et al.
Veröffentlicht: (2024)

Rule Generation for Classification: Scalability, Interpretability, and Fairness
von: Röber, Tabea E., et al.
Veröffentlicht: (2021)

Online Selective Conformal Prediction with Asymmetric Rules: A Permutation Test Approach
von: Zheng, Mingyi, et al.
Veröffentlicht: (2026)

On-device edge learning for IoT data streams: a survey
von: Lourenço, Afonso, et al.
Veröffentlicht: (2025)

Research on Metro Transportation Flow Prediction Based on the STL-GRU Combined Model
von: Zhou, Zijie, et al.
Veröffentlicht: (2025)

A Logical-Rule Autoencoder for Interpretable Recommendations
von: Pan, Jinhao, et al.
Veröffentlicht: (2026)

NEUROLOGIC: From Neural Representations to Interpretable Logic Rules
von: Geng, Chuqin, et al.
Veröffentlicht: (2025)

Finding Rule-Interpretable Non-Negative Data Representation
von: Mihelčić, Matej, et al.
Veröffentlicht: (2022)

Quantile Online Learning for Semiconductor Failure Analysis
von: Zhou, Bangjian, et al.
Veröffentlicht: (2023)

DelayPTC-LLM: Metro Passenger Travel Choice Prediction under Train Delays with Large Language Models
von: Chen, Chen, et al.
Veröffentlicht: (2024)

An Interpretable Framework Applying Protein Words to Predict Protein-Small Molecule Complementary Pairing Rules
von: Chen, Jingke, et al.
Veröffentlicht: (2026)

Histogram Approaches for Imbalanced Data Streams Regression
von: Aminian, Ehsan, et al.
Veröffentlicht: (2025)

Interpretable Hybrid-Rule Temporal Point Processes
von: Cao, Yunyang, et al.
Veröffentlicht: (2025)

Triangulation as an Acceptance Rule for Multilingual Mechanistic Interpretability
von: Long, Yanan
Veröffentlicht: (2025)

Interpretable Representation Learning for Additive Rule Ensembles
von: Behzadimanesh, Shahrzad, et al.
Veröffentlicht: (2025)

From Neurons to Neutrons: A Case Study in Interpretability
von: Kitouni, Ouail, et al.
Veröffentlicht: (2024)

Explaining Quantum Circuits with Shapley Values: Towards Explainable Quantum Machine Learning
von: Heese, Raoul, et al.
Veröffentlicht: (2023)

Learning Mathematical Rules with Large Language Models
von: Gorceix, Antoine, et al.
Veröffentlicht: (2024)

EchoSpike Predictive Plasticity: An Online Local Learning Rule for Spiking Neural Networks
von: Graf, Lars, et al.
Veröffentlicht: (2024)

Revealing Interpretable Failure Modes of VLMs
von: Chaudhary, Isha, et al.
Veröffentlicht: (2026)

One Period to Rule Them All: Identifying Critical Learning Periods in Deep Networks
von: Fukase, Vinicius Yuiti, et al.
Veröffentlicht: (2025)

An Explainable and Interpretable Composite Indicator Based on Decision Rules
von: Corrente, Salvatore, et al.
Veröffentlicht: (2025)

Dynamic Interpretability for Model Comparison via Decision Rules
von: Rida, Adam, et al.
Veröffentlicht: (2023)

Learning Interpretable Rules for Scalable Data Representation and Classification
von: Wang, Zhuo, et al.
Veröffentlicht: (2023)

Interpreting Contrastive Embeddings in Specific Domains with Fuzzy Rules
von: Fumanal-Idocin, Javier, et al.
Veröffentlicht: (2026)

Training ML Models with Predictable Failures
von: Schwarzer, Will, et al.
Veröffentlicht: (2026)

Interpreting Language Reward Models via Contrastive Explanations
von: Jiang, Junqi, et al.
Veröffentlicht: (2024)

Pruning Extensions and Efficiency Trade-Offs for Sustainable Time Series Classification
von: Fischer, Raphael, et al.
Veröffentlicht: (2026)

(Sometimes) Less is More: Mitigating the Complexity of Rule-based Representation for Interpretable Classification
von: Bergamin, Luca, et al.
Veröffentlicht: (2025)

Explaining Predictions by Characteristic Rules
von: Alkhatib, Amr, et al.
Veröffentlicht: (2024)

Causal Rule Ensemble: Interpretable Discovery and Inference of Heterogeneous Treatment Effects
von: Bargagli-Stoffi, Falco J., et al.
Veröffentlicht: (2020)

Online Prediction of Stochastic Sequences with High Probability Regret Bounds
von: Frey, Matthias, et al.
Veröffentlicht: (2026)