Buchumschlag

Tuning for Trustworthiness -- Balancing Performance and Explanation Consistency in Neural Network Optimization

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Hinterleitner, Alexander, Bartz-Beielstein, Thomas
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

Simplifying Hyperparameter Tuning in Online Machine Learning -- The spotRiverGUI
von: Bartz-Beielstein, Thomas
Veröffentlicht: (2024)

Enhancing Feature Selection and Interpretability in AI Regression Tasks Through Feature Attribution
von: Hinterleitner, Alexander, et al.
Veröffentlicht: (2024)

Multi-Task Optimization over Networks of Tasks
von: Hatzky, Julian, et al.
Veröffentlicht: (2026)

Multi-Objective Optimization and Hyperparameter Tuning With Desirability Functions
von: Bartz-Beielstein, Thomas
Veröffentlicht: (2025)

A Novel Ranking Scheme for the Performance Analysis of Stochastic Optimization Algorithms using the Principles of Severity
von: Chandrasekaran, Sowmya, et al.
Veröffentlicht: (2024)

Optimization with SpotOptim
von: Bartz-Beielstein, Thomas
Veröffentlicht: (2026)

Bed-Attached Vibration Sensor System: A Machine Learning Approach for Fall Detection in Nursing Homes
von: Bartz-Beielstein, Thomas, et al.
Veröffentlicht: (2024)

Faithful and Stable Neuron Explanations for Trustworthy Mechanistic Interpretability
von: Yan, Ge, et al.
Veröffentlicht: (2025)

Trustworthy Graph Neural Networks: Aspects, Methods and Trends
von: Zhang, He, et al.
Veröffentlicht: (2022)

Exploration of the Rashomon Set Assists Trustworthy Explanations for Medical Data
von: Kobylińska, Katarzyna, et al.
Veröffentlicht: (2023)

Is Your Explanation Reliable: Confidence-Aware Explanation on Graph Neural Networks
von: Zhang, Jiaxing, et al.
Veröffentlicht: (2025)

On Tuning Neural ODE for Stability, Consistency and Faster Convergence
von: Akhtar, Sheikh Waqas
Veröffentlicht: (2023)

Pathwise Explanation of ReLU Neural Networks
von: Lim, Seongwoo, et al.
Veröffentlicht: (2025)

The GECo algorithm for Graph Neural Networks Explanation
von: Calderaro, Salvatore, et al.
Veröffentlicht: (2024)

Regularizing Explanations in Bayesian Convolutional Neural Networks
von: Bekkemoen, Yanzhe, et al.
Veröffentlicht: (2021)

On Trustworthy Rule-Based Models and Explanations
von: Siala, Mohamed, et al.
Veröffentlicht: (2025)

Enhancing Trustworthiness of Graph Neural Networks with Rank-Based Conformal Training
von: Wang, Ting, et al.
Veröffentlicht: (2025)

Towards Consistent Natural-Language Explanations via Explanation-Consistency Finetuning
von: Chen, Yanda, et al.
Veröffentlicht: (2024)

Graph Neural Network Causal Explanation via Neural Causal Models
von: Behnam, Arman, et al.
Veröffentlicht: (2024)

Bayesian Optimization for Hyperparameters Tuning in Neural Networks
von: Onorato, Gabriele
Veröffentlicht: (2024)

Uncertainty Quantification for Gradient-based Explanations in Neural Networks
von: Mulye, Mihir, et al.
Veröffentlicht: (2024)

Game-theoretic Counterfactual Explanation for Graph Neural Networks
von: Chhablani, Chirag, et al.
Veröffentlicht: (2024)

FAME: Formal Abstract Minimal Explanation for Neural Networks
von: Boumazouza, Ryma, et al.
Veröffentlicht: (2026)

How Explanations Leak the Decision Logic: Stealing Graph Neural Networks via Explanation Alignment
von: Ma, Bin, et al.
Veröffentlicht: (2025)

Why we need an AI-resilient society
von: Bartz-Beielstein, Thomas
Veröffentlicht: (2019)

Obtaining Example-Based Explanations from Deep Neural Networks
von: Dong, Genghua, et al.
Veröffentlicht: (2025)

Attribution Explanations for Deep Neural Networks: A Theoretical Perspective
von: Deng, Huiqi, et al.
Veröffentlicht: (2025)

A Model of Causal Explanation on Neural Networks for Tabular Data
von: Isozaki, Takashi, et al.
Veröffentlicht: (2025)

LIMEtree: Consistent and Faithful Surrogate Explanations of Multiple Classes
von: Sokol, Kacper, et al.
Veröffentlicht: (2020)

Causality Is Key to Understand and Balance Multiple Goals in Trustworthy ML and Foundation Models
von: Binkyte, Ruta, et al.
Veröffentlicht: (2025)

Counterfactual Explanations for Hypergraph Neural Networks
von: Veglianti, Fabiano, et al.
Veröffentlicht: (2026)

GRExplainer: A Universal Explanation Method for Temporal Graph Neural Networks
von: Li, Xuyan, et al.
Veröffentlicht: (2025)

LLINBO: Trustworthy LLM-in-the-Loop Bayesian Optimization
von: Chang, Chih-Yu, et al.
Veröffentlicht: (2025)

Edge Prompt Tuning for Graph Neural Networks
von: Fu, Xingbo, et al.
Veröffentlicht: (2025)

Universal Prompt Tuning for Graph Neural Networks
von: Fang, Taoran, et al.
Veröffentlicht: (2022)

On the Consistency of GNN Explanations for Malware Detection
von: Shokouhinejad, Hossein, et al.
Veröffentlicht: (2025)

Provably Robust and Plausible Counterfactual Explanations for Neural Networks via Robust Optimisation
von: Jiang, Junqi, et al.
Veröffentlicht: (2023)

GNNInterpreter: A Probabilistic Generative Model-Level Explanation for Graph Neural Networks
von: Wang, Xiaoqi, et al.
Veröffentlicht: (2022)

Aligning Findings with Diagnosis: A Self-Consistent Reinforcement Learning Framework for Trustworthy Radiology Reporting
von: Zhao, Kun, et al.
Veröffentlicht: (2026)

Logical Distillation of Graph Neural Networks
von: Pluska, Alexander, et al.
Veröffentlicht: (2024)