Buchumschlag

ExplainBench: A Benchmark Framework for Local Model Explanations in Fairness-Critical Applications

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Afful, James
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

Explaining Hypergraph Neural Networks: From Local Explanations to Global Concepts
von: Su, Shiye, et al.
Veröffentlicht: (2024)

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

Localizing Anomalies in Critical Infrastructure using Model-Based Drift Explanations
von: Vaquet, Valerie, et al.
Veröffentlicht: (2023)

Explaining GNN Explanations with Edge Gradients
von: He, Jesse, et al.
Veröffentlicht: (2025)

Fairness Definitions in Language Models Explained
von: Yin, Zhipeng, et al.
Veröffentlicht: (2024)

FD-Bench: A Modular and Fair Benchmark for Data-driven Fluid Simulation
von: Wang, Haixin, et al.
Veröffentlicht: (2025)

Benchmarking Transferability: A Framework for Fair and Robust Evaluation
von: Kazemi, Alireza, et al.
Veröffentlicht: (2025)

EEG-Bench: A Benchmark for EEG Foundation Models in Clinical Applications
von: Kastrati, Ard, et al.
Veröffentlicht: (2025)

HeurekaBench: A Benchmarking Framework for AI Co-scientist
von: Panigrahi, Siba Smarak, et al.
Veröffentlicht: (2026)

TopoBench: A Framework for Benchmarking Topological Deep Learning
von: Telyatnikov, Lev, et al.
Veröffentlicht: (2024)

NeuralBench: A Unifying Framework to Benchmark NeuroAI Models
von: Banville, Hubert, et al.
Veröffentlicht: (2026)

Explaining Deep Convolutional Neural Networks for Image Classification by Evolving Local Interpretable Model-agnostic Explanations
von: Wang, Bin, et al.
Veröffentlicht: (2022)

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

ReX: A Framework for Incorporating Temporal Information in Model-Agnostic Local Explanation Techniques
von: Liu, Junhao, et al.
Veröffentlicht: (2022)

Confident Naturalness Explanation (CNE): A Framework to Explain and Assess Patterns Forming Naturalness
von: Emam, Ahmed, et al.
Veröffentlicht: (2023)

AdaBrain-Bench: Benchmarking Brain Foundation Models for Brain-Computer Interface Applications
von: Wu, Jiamin, et al.
Veröffentlicht: (2025)

CriticBench: Benchmarking LLMs for Critique-Correct Reasoning
von: Lin, Zicheng, et al.
Veröffentlicht: (2024)

Explaining k-Nearest Neighbors: Abductive and Counterfactual Explanations
von: Barceló, Pablo, et al.
Veröffentlicht: (2025)

GNN Explanations that do not Explain and How to find Them
von: Azzolin, Steve, et al.
Veröffentlicht: (2026)

Fair and Explainable Credit-Scoring under Concept Drift: Adaptive Explanation Frameworks for Evolving Populations
von: John, Shivogo
Veröffentlicht: (2025)

Revisiting Pre-processing Group Fairness: A Modular Benchmarking Framework
von: Oldfield, Brodie, et al.
Veröffentlicht: (2025)

A Model Ensemble-Based Post-Processing Framework for Fairness-Aware Prediction
von: Zhao, Zhouting, et al.
Veröffentlicht: (2026)

The Effect of Enforcing Fairness on Reshaping Explanations in Machine Learning Models
von: Anderson, Joshua Wolff, et al.
Veröffentlicht: (2025)

Knowing What You Cannot Explain: Learning to Reject Low-Quality Explanations
von: Stradiotti, Luca, et al.
Veröffentlicht: (2025)

KEA Explain: Explanations of Hallucinations using Graph Kernel Analysis
von: Haskins, Reilly, et al.
Veröffentlicht: (2025)

Fair Recourse for All: Ensuring Individual and Group Fairness in Counterfactual Explanations
von: Ezzeddine, Fatima, et al.
Veröffentlicht: (2026)

MASALA: Model-Agnostic Surrogate Explanations by Locality Adaptation
von: Anwar, Saif, et al.
Veröffentlicht: (2024)

FairlyUncertain: A Comprehensive Benchmark of Uncertainty in Algorithmic Fairness
von: Rosenblatt, Lucas, et al.
Veröffentlicht: (2024)

Introducing CausalBench: A Flexible Benchmark Framework for Causal Analysis and Machine Learning
von: Kapkiç, Ahmet, et al.
Veröffentlicht: (2024)

Guarantee Regions for Local Explanations
von: Havasi, Marton, et al.
Veröffentlicht: (2024)

Auditing Local Explanations is Hard
von: Bhattacharjee, Robi, et al.
Veröffentlicht: (2024)

Concisely Explaining the Doubt: Minimum-Size Abductive Explanations for Linear Models with a Reject Option
von: Fernandes, Gleilson Pedro, et al.
Veröffentlicht: (2026)

MobileDev-Bench: A Benchmark for Issue Resolution in Mobile Application Development
von: Fakorede, Moshood A., et al.
Veröffentlicht: (2026)

Explaining, Fast and Slow: Abstraction and Refinement of Provable Explanations
von: Bassan, Shahaf, et al.
Veröffentlicht: (2025)

Accelerating the Global Aggregation of Local Explanations
von: Mor, Alon, et al.
Veröffentlicht: (2023)

LLMs for XAI: Future Directions for Explaining Explanations
von: Zytek, Alexandra, et al.
Veröffentlicht: (2024)

Explain-Query-Test: Self-Evaluating LLMs Via Explanation and Comprehension Discrepancy
von: Taghanaki, Saeid Asgari, et al.
Veröffentlicht: (2025)

A Human-in-the-Loop Fairness-Aware Model Selection Framework for Complex Fairness Objective Landscapes
von: Robertson, Jake, et al.
Veröffentlicht: (2024)

CFIRE: A General Method for Combining Local Explanations
von: Müller, Sebastian, et al.
Veröffentlicht: (2025)

InstaSHAP: Interpretable Additive Models Explain Shapley Values Instantly
von: Enouen, James, et al.
Veröffentlicht: (2025)