Buchumschlag

Challenges in interpretability of additive models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhang, Xinyu, Martinelli, Julien, John, ST
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

Position: Biology is the Challenge Physics-Informed ML Needs to Evolve
von: Martinelli, Julien
Veröffentlicht: (2025)

PABBO: Preferential Amortized Black-Box Optimization
von: Zhang, Xinyu, et al.
Veröffentlicht: (2025)

In-Context Multi-Objective Optimization
von: Zhang, Xinyu, et al.
Veröffentlicht: (2025)

Non-separable Spatio-temporal Graph Kernels via SPDEs
von: Nikitin, Alexander, et al.
Veröffentlicht: (2021)

Robust and Computation-Aware Gaussian Processes
von: Sinaga, Marshal Arijona, et al.
Veröffentlicht: (2025)

Time-Aware Latent Space Bayesian Optimization
von: Vu, Tuan A., et al.
Veröffentlicht: (2026)

Proxy-informed Bayesian transfer learning with unknown sources
von: Sloman, Sabina J., et al.
Veröffentlicht: (2024)

Anchor-Based Heteroscedastic Noise for Preferential Bayesian Optimization
von: Sinaga, Marshal Arijona, et al.
Veröffentlicht: (2024)

Identifying latent state transition in non-linear dynamical systems
von: Hızlı, Çağlar, et al.
Veröffentlicht: (2024)

Data-driven Discovery of Digital Twins in Biomedical Research
von: Métayer, Clémence, et al.
Veröffentlicht: (2025)

In-Context Black-Box Optimization with Unreliable Feedback
von: Blumer, Nicolas Samuel, et al.
Veröffentlicht: (2026)

Online Sharp-Calibrated Bayesian Optimization
von: Sinaga, Marshal Arijona, et al.
Veröffentlicht: (2026)

Bayesian Active Learning in the Presence of Nuisance Parameters
von: Sloman, Sabina J., et al.
Veröffentlicht: (2023)

Bayesian Nonparametric Mixed-Effect ODEs with Gaussian Processes
von: Martinelli, Julien, et al.
Veröffentlicht: (2026)

Learning accurate and interpretable tree-based models
von: Balcan, Maria-Florina, et al.
Veröffentlicht: (2024)

Gradient-free stochastic optimization for additive models
von: Akhavan, Arya, et al.
Veröffentlicht: (2025)

Learning Relevant Contextual Variables Within Bayesian Optimization
von: Martinelli, Julien, et al.
Veröffentlicht: (2023)

Discovering interpretable models of scientific image data with deep learning
von: Soelistyo, Christopher J., et al.
Veröffentlicht: (2024)

Self-interpreting Adversarial Images
von: Zhang, Tingwei, et al.
Veröffentlicht: (2024)

Mechanistic interpretability for steering vision-language-action models
von: Häon, Bear, et al.
Veröffentlicht: (2025)

Plastic tensor networks for interpretable generative modeling
von: Akamatsu, Katsuya O., et al.
Veröffentlicht: (2025)

On the transferability of Sparse Autoencoders for interpreting compressed models
von: Gupte, Suchit, et al.
Veröffentlicht: (2025)

Advancing climate model interpretability: Feature attribution for Arctic melt anomalies
von: Ale, Tolulope, et al.
Veröffentlicht: (2025)

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

Improving clinical interpretability of linear neuroimaging models through feature whitening
von: Petiton, Sara, et al.
Veröffentlicht: (2026)

Towards detailed and interpretable hybrid modeling of continental-scale bird migration
von: Lippert, Fiona, et al.
Veröffentlicht: (2024)

Multi-megabase scale genome interpretation with genetic language models
von: Träuble, Frederik, et al.
Veröffentlicht: (2025)

Classification by sparse generalized additive models
von: Abramovich, Felix
Veröffentlicht: (2022)

xRFM: Accurate, scalable, and interpretable feature learning models for tabular data
von: Beaglehole, Daniel, et al.
Veröffentlicht: (2025)

AudioProtoPNet: An interpretable deep learning model for bird sound classification
von: Heinrich, René, et al.
Veröffentlicht: (2024)

A deep causal inference model for fully-interpretable travel behaviour analysis
von: Kamal, Kimia, et al.
Veröffentlicht: (2024)

Forest-ORE: Mining Optimal Rule Ensemble to interpret Random Forest models
von: Maissae, Haddouchi, et al.
Veröffentlicht: (2024)

Uncertainty quantification in model discovery by distilling interpretable material constitutive models from Gaussian process posteriors
von: Anton, David, et al.
Veröffentlicht: (2025)

Optimal ablation for interpretability
von: Li, Maximilian, et al.
Veröffentlicht: (2024)

Group selection and shrinkage: Structured sparsity for semiparametric additive models
von: Thompson, Ryan, et al.
Veröffentlicht: (2021)

Hybrid additive modeling with partial dependence for supervised regression and dynamical systems forecasting
von: Claes, Yann, et al.
Veröffentlicht: (2023)

Challenging reaction prediction models to generalize to novel chemistry
von: Bradshaw, John, et al.
Veröffentlicht: (2025)

A survey and taxonomy of methods interpreting random forest models
von: Haddouchi, Maissae, et al.
Veröffentlicht: (2024)

Error-controlled non-additive interaction discovery in machine learning models
von: Chen, Winston, et al.
Veröffentlicht: (2024)

Are machine learning interpretations reliable? A stability study on global interpretations
von: Gan, Luqin, et al.
Veröffentlicht: (2025)