Buchumschlag

WISCA: A Consensus-Based Approach to Harmonizing Interpretability in Tabular Datasets

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Banegas-Luna, Antonio Jesús, Pérez-Sánchez, Horacio, Martínez-Cortés, Carlos
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

SIBILA: A novel interpretable ensemble of general-purpose machine learning models applied to medical contexts
von: Banegas-Luna, Antonio Jesús, et al.
Veröffentlicht: (2022)

When will the mist clear? On the Interpretability of Machine Learning for Medical Applications: a survey
von: Banegas-Luna, Antonio-Jesús, et al.
Veröffentlicht: (2020)

Interpretable Graph Neural Networks for Tabular Data
von: Alkhatib, Amr, et al.
Veröffentlicht: (2023)

Graph Neural Network contextual embedding for Deep Learning on Tabular Data
von: Villaizán-Vallelado, Mario, et al.
Veröffentlicht: (2023)

In Search of Grandmother Cells: Tracing Interpretable Neurons in Tabular Representations
von: Knauer, Ricardo, et al.
Veröffentlicht: (2026)

RVFL-X: A Novel Randomized Network Based on Complex Transformed Real-Valued Tabular Datasets
von: Sajid, M., et al.
Veröffentlicht: (2025)

Structural Compositional Function Networks: Interpretable Functional Compositions for Tabular Discovery
von: Li, Fang
Veröffentlicht: (2026)

Exploring LLM Agents for Cleaning Tabular Machine Learning Datasets
von: Bendinelli, Tommaso, et al.
Veröffentlicht: (2025)

Measuring and Mitigating Bias for Tabular Datasets with Multiple Protected Attributes
von: Duong, Manh Khoi, et al.
Veröffentlicht: (2024)

A Comprehensive Benchmark of Machine and Deep Learning Across Diverse Tabular Datasets
von: Shmuel, Assaf, et al.
Veröffentlicht: (2024)

Deep Learning with Tabular Data: A Self-supervised Approach
von: Vyas, Tirth Kiranbhai
Veröffentlicht: (2024)

ProtoNAM: Prototypical Neural Additive Models for Interpretable Deep Tabular Learning
von: Xiong, Guangzhi, et al.
Veröffentlicht: (2024)

Kernel-Level Energy-Efficient Neural Architecture Search for Tabular Dataset
von: La, Hoang-Loc, et al.
Veröffentlicht: (2025)

Synthetic Tabular Data Validation: A Divergence-Based Approach
von: Apellániz, Patricia A., et al.
Veröffentlicht: (2024)

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

Helix 1.0: An Open-Source Framework for Reproducible and Interpretable Machine Learning on Tabular Scientific Data
von: Aguilar-Bejarano, Eduardo, et al.
Veröffentlicht: (2025)

Admission Prediction in Undergraduate Applications: an Interpretable Deep Learning Approach
von: Priyadarshini, Amisha, et al.
Veröffentlicht: (2024)

iTBLS: A Dataset of Interactive Conversations Over Tabular Information
von: Sundar, Anirudh, et al.
Veröffentlicht: (2024)

Vision-based Deep Learning Analysis of Unordered Biomedical Tabular Datasets via Optimal Spatial Cartography
von: Mostafa, Sakib, et al.
Veröffentlicht: (2026)

A Sobering Look at Tabular Data Generation via Probabilistic Circuits
von: Scassola, Davide, et al.
Veröffentlicht: (2026)

A Survey on Deep Tabular Learning
von: Somvanshi, Shriyank, et al.
Veröffentlicht: (2024)

Exploring Transformer Placement in Variational Autoencoders for Tabular Data Generation
von: Silva, Aníbal, et al.
Veröffentlicht: (2026)

Multi-Layer Attention-Based Explainability via Transformers for Tabular Data
von: Gavito, Andrea Treviño, et al.
Veröffentlicht: (2023)

Critical Challenges and Guidelines in Evaluating Synthetic Tabular Data: A Systematic Review
von: Nafis, Nazia, et al.
Veröffentlicht: (2025)

TabularMath: Evaluating Computational Extrapolation in Tabular Learning via Program-Verified Synthesis
von: Cheng, Zerui, et al.
Veröffentlicht: (2026)

Towards Data-Centric AI: A Comprehensive Survey of Traditional, Reinforcement, and Generative Approaches for Tabular Data Transformation
von: Wang, Dongjie, et al.
Veröffentlicht: (2025)

Interpretability of the Intent Detection Problem: A New Approach
von: Sanchez-Karhunen, Eduardo, et al.
Veröffentlicht: (2026)

Robust Tabular Foundation Models
von: Peroni, Matthew, et al.
Veröffentlicht: (2025)

Universal Embeddings of Tabular Data
von: Franz, Astrid, et al.
Veröffentlicht: (2025)

DenoGrad: A Gradient-Based Framework for Data Refinement in Tabular and Time-Series Learning
von: Alonso-Ramos, J. Javier, et al.
Veröffentlicht: (2025)

Interpretable Deep Learning for Stock Returns: A Consensus-Bottleneck Asset Pricing Model
von: Kim, Changeun, et al.
Veröffentlicht: (2025)

Feature Group Tabular Transformer: A Novel Approach to Traffic Crash Modeling and Causality Analysis
von: Lares, Oscar, et al.
Veröffentlicht: (2024)

TabularQGAN: A Quantum Generative Model for Tabular Data
von: Bhardwaj, Pallavi, et al.
Veröffentlicht: (2025)

Hybrid Autoencoders for Tabular Data: Leveraging Model-Based Augmentation in Low-Label Settings
von: Naor, Erel, et al.
Veröffentlicht: (2025)

When Tables Leak: Attacking String Memorization in LLM-Based Tabular Data Generation
von: Ward, Joshua, et al.
Veröffentlicht: (2025)

Tabular Data Contrastive Learning via Class-Conditioned and Feature-Correlation Based Augmentation
von: Cui, Wei, et al.
Veröffentlicht: (2024)

Boosting Relational Deep Learning with Pretrained Tabular Models
von: Lachi, Veronica, et al.
Veröffentlicht: (2025)

Deep Feature Embedding for Tabular Data
von: Wu, Yuqian, et al.
Veröffentlicht: (2024)

Automated Model Selection for Tabular Data
von: Amballa, Avinash, et al.
Veröffentlicht: (2024)

Tabular and Deep Learning for the Whittle Index
von: Relaño, Francisco Robledo, et al.
Veröffentlicht: (2024)