Copertina

Explanations Go Linear: Post-hoc Explainability for Tabular Data with Interpretable Meta-Encoding

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Piaggesi, Simone, Guidotti, Riccardo, Giannotti, Fosca, Pedreschi, Dino
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

Interpretable and Fair Mechanisms for Abstaining Classifiers
di: Lenders, Daphne, et al.
Pubblicazione: (2025)

AI, Meet Human: Learning Paradigms for Hybrid Decision Making Systems
di: Punzi, Clara, et al.
Pubblicazione: (2024)

Causality-Aware Local Interpretable Model-Agnostic Explanations
di: Cinquini, Martina, et al.
Pubblicazione: (2022)

Boosting Synthetic Data Generation with Effective Nonlinear Causal Discovery
di: Cinquini, Martina, et al.
Pubblicazione: (2023)

Disentangled and Self-Explainable Node Representation Learning
di: Piaggesi, Simone, et al.
Pubblicazione: (2024)

A Survey on Graph Counterfactual Explanations: Definitions, Methods, Evaluation, and Research Challenges
di: Prado-Romero, Mario Alfonso, et al.
Pubblicazione: (2022)

In Defence of Post-hoc Explainability
di: Oh, Nick
Pubblicazione: (2024)

Mathematical Foundation of Interpretable Equivariant Surrogate Models
di: Colombini, Jacopo Joy, et al.
Pubblicazione: (2025)

Comparing Explanations is Not Enough, Explain the Change: New Standards are Needed to Explain Behavioral Shifts in Large Language Models
di: Ciaperoni, Martino, et al.
Pubblicazione: (2026)

An Interpretable Data-Driven Unsupervised Approach for the Prevention of Forgotten Items
di: Corbucci, Luca, et al.
Pubblicazione: (2025)

Unifying Post-hoc Explanations of Knowledge Graph Completions
di: Lonardi, Alessandro, et al.
Pubblicazione: (2025)

Learning by Surprise: Surplexity for Mitigating Model Collapse in Generative AI
di: Gambetta, Daniele, et al.
Pubblicazione: (2024)

The Diversity Paradox revisited: Systemic Effects of Feedback Loops in Recommender Systems
di: Barlacchi, Gabriele, et al.
Pubblicazione: (2026)

Aligning Molecular Graph Explanations with Chemical Identity via InChIfied Invariants
di: Guidotti, Emanuele, et al.
Pubblicazione: (2026)

Informative Perturbation Selection for Uncertainty-Aware Post-hoc Explanations
di: Chugh, Sumedha, et al.
Pubblicazione: (2026)

Fair Clustering with Clusterlets
di: Setzu, Mattia, et al.
Pubblicazione: (2025)

RAW-Explainer: Post-hoc Explanations of Graph Neural Networks on Knowledge Graphs
di: Kubo, Ryoji, et al.
Pubblicazione: (2025)

PXGen: A Post-hoc Explainable Method for Generative Models
di: Huang, Yen-Lung, et al.
Pubblicazione: (2025)

Visual-TCAV: Concept-based Attribution and Saliency Maps for Post-hoc Explainability in Image Classification
di: De Santis, Antonio, et al.
Pubblicazione: (2024)

Fuzzy Logic Function as a Post-hoc Explanator of the Nonlinear Classifier
di: Klimo, Martin, et al.
Pubblicazione: (2024)

Post-hoc Interpretability Illumination for Scientific Interaction Discovery
di: Zhang, Ling, et al.
Pubblicazione: (2024)

GRAIL: Post-hoc Compensation by Linear Reconstruction for Compressed Networks
di: Tang, Wenwu, et al.
Pubblicazione: (2026)

Evaluating Post-hoc Explanations of the Transformer-based Genome Language Model DNABERT-2
di: Kurth, Isabel, et al.
Pubblicazione: (2026)

Interpretable Network Visualizations: A Human-in-the-Loop Approach for Post-hoc Explainability of CNN-based Image Classification
di: Bianchi, Matteo, et al.
Pubblicazione: (2024)

Attention Meets Post-hoc Interpretability: A Mathematical Perspective
di: Lopardo, Gianluigi, et al.
Pubblicazione: (2024)

Deferring Concept Bottleneck Models: Learning to Defer Interventions to Inaccurate Experts
di: Pugnana, Andrea, et al.
Pubblicazione: (2025)

Interpretable Mesomorphic Networks for Tabular Data
di: Kadra, Arlind, et al.
Pubblicazione: (2023)

Interpretable Deep Clustering for Tabular Data
di: Svirsky, Jonathan, et al.
Pubblicazione: (2023)

Tabular Diffusion Counterfactual Explanations
di: Zhang, Wei, et al.
Pubblicazione: (2025)

Gender Bias in Explainability: Investigating Performance Disparity in Post-hoc Methods
di: Dhaini, Mahdi, et al.
Pubblicazione: (2025)

The Effect of Model Size on LLM Post-hoc Explainability via LIME
di: Heyen, Henning, et al.
Pubblicazione: (2024)

Causal Synthetic Data Generation in Recruitment
di: Iommi, Andrea, et al.
Pubblicazione: (2025)

Interpretable Generative Models through Post-hoc Concept Bottlenecks
di: Kulkarni, Akshay, et al.
Pubblicazione: (2025)

Unlocking Post-hoc Dataset Inference with Synthetic Data
di: Zhao, Bihe, et al.
Pubblicazione: (2025)

SHAPCA: Consistent and Interpretable Explanations for Machine Learning Models on Spectroscopy Data
di: Zhang, Mingxing, et al.
Pubblicazione: (2026)

Towards Interpretable Deep Neural Networks for Tabular Data
di: Elhadri, Khawla, et al.
Pubblicazione: (2025)

Interpretable Graph Neural Networks for Heterogeneous Tabular Data
di: Alkhatib, Amr, et al.
Pubblicazione: (2024)

Could Large Language Models work as Post-hoc Explainability Tools in Credit Risk Models?
di: Geng, Wenxi, et al.
Pubblicazione: (2026)

An Explainable Gaussian Process Auto-encoder for Tabular Data
di: Zhang, Wei, et al.
Pubblicazione: (2025)

Explanations as Bias Detectors: A Critical Study of Local Post-hoc XAI Methods for Fairness Exploration
di: Papanikou, Vasiliki, et al.
Pubblicazione: (2025)