:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Furman, Oleksii, Movsum-zada, Ulvi, Marszalek, Patryk, Zięba, Maciej, Śmieja, Marek
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	https://arxiv.org/abs/2505.23700
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

HyConEx: Hypernetwork classifier with counterfactual explanations for tabular data
von: Marszałek, Patryk, et al.
Veröffentlicht: (2025)

CounterFlowNet: From Minimal Changes to Meaningful Counterfactual Explanations
von: Furman, Oleksii, et al.
Veröffentlicht: (2026)

VisTabNet: Adapting Vision Transformers for Tabular Data
von: Wydmański, Witold, et al.
Veröffentlicht: (2024)

TACTIC for Navigating the Unknown: Tabular Anomaly deteCTion via In-Context inference
von: Marszałek, Patryk, et al.
Veröffentlicht: (2026)

Probabilistically Plausible Counterfactual Explanations with Normalizing Flows
von: Wielopolski, Patryk, et al.
Veröffentlicht: (2024)

Unifying Perspectives: Plausible Counterfactual Explanations on Global, Group-wise, and Local Levels
von: Furman, Oleksii, et al.
Veröffentlicht: (2024)

ZEUS: Zero-shot Embeddings for Unsupervised Separation of Tabular Data
von: Marszałek, Patryk, et al.
Veröffentlicht: (2025)

Are Foundation Models Useful for Bankruptcy Prediction?
von: Kostrzewa, Marcin, et al.
Veröffentlicht: (2025)

Conceptualizing Embeddings: Sparse Disentanglement for Vision-Language Models
von: Kubaty, Piotr, et al.
Veröffentlicht: (2026)

TreeFlow: Going beyond Tree-based Gaussian Probabilistic Regression
von: Wielopolski, Patryk, et al.
Veröffentlicht: (2022)

Towards plausibility in time series counterfactual explanations
von: Kostrzewa, Marcin, et al.
Veröffentlicht: (2026)

V4FinBench: Benchmarking Tabular Foundation Models, LLMs, and Standard Methods on Corporate Bankruptcy Prediction
von: Kostrzewa, Marcin, et al.
Veröffentlicht: (2026)

Stop Marginalizing My Dreams: Model Inversion via Laplace Kernel for Continual Learning
von: Krukowski, Patryk, et al.
Veröffentlicht: (2026)

AutoNFS: Automatic Neural Feature Selection
von: Wydmański, Witold, et al.
Veröffentlicht: (2025)

Minimal Ranks, Maximum Confidence: Parameter-efficient Uncertainty Quantification for LoRA
von: Marszałek, Patryk, et al.
Veröffentlicht: (2025)

Bayesian Fine-tuning in Projected Subspaces
von: Dubovik, Viktar, et al.
Veröffentlicht: (2026)

SeBA: Semi-supervised few-shot learning via Separated-at-Birth Alignment for tabular data
von: Jurek, Kacper, et al.
Veröffentlicht: (2026)

Counterfactual Explanations Under Concept Drift
von: Kostrzewa, Marcin, et al.
Veröffentlicht: (2026)

CountARFactuals -- Generating plausible model-agnostic counterfactual explanations with adversarial random forests
von: Dandl, Susanne, et al.
Veröffentlicht: (2024)

A Probabilistic Consensus-Driven Approach for Robust Counterfactual Explanations
von: Kostrzewa, Marcin, et al.
Veröffentlicht: (2026)

Beyond [cls]: Exploring the true potential of Masked Image Modeling representations
von: Przewięźlikowski, Marcin, et al.
Veröffentlicht: (2024)

A deep cut into Split Federated Self-supervised Learning
von: Przewięźlikowski, Marcin, et al.
Veröffentlicht: (2024)

How to Protect Models against Adversarial Unlearning?
von: Jasiorski, Patryk, et al.
Veröffentlicht: (2025)

SONG: Self-Organizing Neural Graphs
von: Struski, Łukasz, et al.
Veröffentlicht: (2021)

RetroGFN: Diverse and Feasible Retrosynthesis using GFlowNets
von: Gaiński, Piotr, et al.
Veröffentlicht: (2024)

Actionable and diverse counterfactual explanations incorporating domain knowledge and plausibility constraints
von: Bobek, Szymon, et al.
Veröffentlicht: (2025)

Simulating counterfactuals
von: Karvanen, Juha, et al.
Veröffentlicht: (2023)

Augmentation-aware Self-supervised Learning with Conditioned Projector
von: Przewięźlikowski, Marcin, et al.
Veröffentlicht: (2023)

OBSR: Open Benchmark for Spatial Representations
von: Moska, Julia, et al.
Veröffentlicht: (2025)

Reducing Estimation Uncertainty Using Normalizing Flows and Stratification
von: Lorek, Paweł, et al.
Veröffentlicht: (2026)

FlexMS is a flexible framework for benchmarking deep learning-based mass spectrum prediction tools in metabolomics
von: Zhong, Yunhua, et al.
Veröffentlicht: (2026)

MCCE: Monte Carlo sampling of realistic counterfactual explanations
von: Redelmeier, Annabelle, et al.
Veröffentlicht: (2021)

Seamlessly Integrating Tree-Based Positional Embeddings into Transformer Models for Source Code Representation
von: Bartkowiak, Patryk, et al.
Veröffentlicht: (2025)

Towards counterfactual fairness through auxiliary variables
von: Tian, Bowei, et al.
Veröffentlicht: (2024)

On Predictive planning and counterfactual learning in active inference
von: Paul, Aswin, et al.
Veröffentlicht: (2024)

Quantum oracles give an advantage for identifying classical counterfactuals
von: Gilligan-Lee, Ciarán M., et al.
Veröffentlicht: (2025)

Clustering with minimum spanning trees: How good can it be?
von: Gagolewski, Marek, et al.
Veröffentlicht: (2023)

Unlearning-based sliding window for continual learning under concept drift
von: Wozniak, Michal, et al.
Veröffentlicht: (2026)

Bounded Coupled AI Learning Dynamics in Tri-Hierarchical Drone Swarms
von: Bychkov, Oleksii
Veröffentlicht: (2026)

HyperMAML: Few-Shot Adaptation of Deep Models with Hypernetworks
von: Przewięźlikowski, M., et al.
Veröffentlicht: (2022)