Buchumschlag

Improving Counterfactual Truthfulness for Molecular Property Prediction through Uncertainty Quantification

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Teufel, Jonas, Leinweber, Annika, Friederich, Pascal
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Global Concept Explanations for Graphs by Contrastive Learning
von: Teufel, Jonas, et al.
Veröffentlicht: (2024)

Quantifying the Intrinsic Usefulness of Attributional Explanations for Graph Neural Networks with Artificial Simulatability Studies
von: Teufel, Jonas, et al.
Veröffentlicht: (2023)

MEGAN: Multi-Explanation Graph Attention Network
von: Teufel, Jonas, et al.
Veröffentlicht: (2022)

Conditional Normalizing Flows for Active Learning of Coarse-Grained Molecular Representations
von: Schopmans, Henrik, et al.
Veröffentlicht: (2024)

Hyper-Dimensional Fingerprints as Molecular Representations
von: Teufel, Jonas, et al.
Veröffentlicht: (2026)

QUCE: The Minimisation and Quantification of Path-Based Uncertainty for Generative Counterfactual Explanations
von: Duell, Jamie, et al.
Veröffentlicht: (2024)

Fair Uncertainty Quantification for Depression Prediction
von: Li, Yonghong, et al.
Veröffentlicht: (2025)

Tackling Fake Forgetting through Uncertainty Quantification
von: Shi, Yingdan, et al.
Veröffentlicht: (2025)

Improving Label Error Detection and Elimination with Uncertainty Quantification
von: Jakubik, Johannes, et al.
Veröffentlicht: (2024)

Uncertainty Quantification as a Principled Foundation for Explainable Artificial Intelligence: A Case Study of Counterfactual Explanations
von: Sokol, Kacper, et al.
Veröffentlicht: (2025)

Mitigating Molecular Aggregation in Drug Discovery with Predictive Insights from Explainable AI
von: Sturm, Hunter, et al.
Veröffentlicht: (2023)

Robust Uncertainty Quantification Using Conformalised Monte Carlo Prediction
von: Bethell, Daniel, et al.
Veröffentlicht: (2023)

Reliable Trajectory Prediction and Uncertainty Quantification with Conditioned Diffusion Models
von: Neumeier, Marion, et al.
Veröffentlicht: (2024)

Distributional Regression with Tabular Foundation Models: Evaluating Probabilistic Predictions via Proper Scoring Rules
von: Landsgesell, Jonas, et al.
Veröffentlicht: (2026)

UQGNN: Uncertainty Quantification of Graph Neural Networks for Multivariate Spatiotemporal Prediction
von: Yu, Dahai, et al.
Veröffentlicht: (2025)

Calibrated Explanations: with Uncertainty Information and Counterfactuals
von: Lofstrom, Helena, et al.
Veröffentlicht: (2023)

Uncertainty Quantification in the Tsetlin Machine
von: Helin, Runar, et al.
Veröffentlicht: (2025)

Uncertainty Quantification in SVM prediction
von: Anand, Pritam
Veröffentlicht: (2025)

Counterfactual Gradients-based Quantification of Prediction Trust in Neural Networks
von: Prabhushankar, Mohit, et al.
Veröffentlicht: (2024)

The Role of Ambiguity in Error Prediction via Uncertainty Quantification
von: Staliūnaitė, Ieva Raminta, et al.
Veröffentlicht: (2026)

Credal Ensemble Distillation for Uncertainty Quantification
von: Wang, Kaizheng, et al.
Veröffentlicht: (2025)

Torch-Uncertainty: A Deep Learning Framework for Uncertainty Quantification
von: Lafage, Adrien, et al.
Veröffentlicht: (2025)

Decision Theoretic Foundations for Conformal Prediction: Optimal Uncertainty Quantification for Risk-Averse Agents
von: Kiyani, Shayan, et al.
Veröffentlicht: (2025)

Physics-Based Hybrid Machine Learning for Critical Heat Flux Prediction with Uncertainty Quantification
von: Furlong, Aidan, et al.
Veröffentlicht: (2025)

Streamflow Prediction with Uncertainty Quantification for Water Management: A Constrained Reasoning and Learning Approach
von: Gharsallaoui, Mohammed Amine, et al.
Veröffentlicht: (2024)

Complex-Valued Unitary Representations as Classification Heads for Improved Uncertainty Quantification in Deep Neural Networks
von: Jafari, Akbar Anbar, et al.
Veröffentlicht: (2026)

The Impact of Machine Learning Uncertainty on the Robustness of Counterfactual Explanations
von: Christodoulou, Leonidas, et al.
Veröffentlicht: (2026)

Efficient Normalized Conformal Prediction and Uncertainty Quantification for Anti-Cancer Drug Sensitivity Prediction with Deep Regression Forests
von: Nolte, Daniel, et al.
Veröffentlicht: (2024)

Counterfactual Fairness with Graph Uncertainty
von: Valério, Davi, et al.
Veröffentlicht: (2026)

Conformal Prediction Beyond the Seen: A Missing Mass Perspective for Uncertainty Quantification in Generative Models
von: Noorani, Sima, et al.
Veröffentlicht: (2025)

Improving Uncertainty Quantification in Large Language Models via Semantic Embeddings
von: Grewal, Yashvir S., et al.
Veröffentlicht: (2024)

GNN's Uncertainty Quantification using Self-Distillation
von: Daneshvar, Hirad, et al.
Veröffentlicht: (2025)

Towards Uncertainty Quantification in Generative Model Learning
von: Morales, Giorgio, et al.
Veröffentlicht: (2025)

A Rate-Distortion View of Uncertainty Quantification
von: Apostolopoulou, Ifigeneia, et al.
Veröffentlicht: (2024)

Uncertainty Quantification via Stable Distribution Propagation
von: Petersen, Felix, et al.
Veröffentlicht: (2024)

Tackling Incomplete Data in Air Quality Prediction: A Bayesian Deep Learning Framework for Uncertainty Quantification
von: Pian, Yuzhuang, et al.
Veröffentlicht: (2025)

FABind+: Enhancing Molecular Docking through Improved Pocket Prediction and Pose Generation
von: Gao, Kaiyuan, et al.
Veröffentlicht: (2024)

Uncertainty Quantification for Machine Learning in Healthcare: A Survey
von: López, L. Julián Lechuga, et al.
Veröffentlicht: (2025)

Model-Agnostic Dynamic Feature Selection with Uncertainty Quantification
von: Fumanal-Idocin, Javier, et al.
Veröffentlicht: (2025)

Quantile-Free Uncertainty Quantification in Graph Neural Networks
von: park, Soyoung, et al.
Veröffentlicht: (2026)