Buchumschlag

Towards explainable decision support using hybrid neural models for logistic terminal automation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	D'Elia, Riccardo, Termine, Alberto, Flammini, Francesco
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Interpretable Neural System Dynamics: Combining Deep Learning with System Dynamics Modeling to Support Critical Applications
von: D'Elia, Riccardo
Veröffentlicht: (2025)

An explainable model to support the decision about the therapy protocol for AML
von: Almeida, Jade M., et al.
Veröffentlicht: (2023)

Addressing Social Misattributions of Large Language Models: An HCXAI-based Approach
von: Ferrario, Andrea, et al.
Veröffentlicht: (2024)

Machine Learning and Theory Ladenness -- A Phenomenological Account
von: Termine, Alberto, et al.
Veröffentlicht: (2024)

ML-based identification of the interface regions for coupling local and nonlocal models
von: Nader, Noujoud, et al.
Veröffentlicht: (2024)

Inadequacy of common stochastic neural networks for reliable clinical decision support
von: Lindenmeyer, Adrian, et al.
Veröffentlicht: (2024)

Quantum automated learning with provable and explainable trainability
von: Ye, Qi, et al.
Veröffentlicht: (2025)

Why should we ever automate moral decision making?
von: Conitzer, Vincent
Veröffentlicht: (2024)

Pedestrian crossing decisions can be explained by bounded optimal decision-making under noisy visual perception
von: Wang, Yueyang, et al.
Veröffentlicht: (2024)

Design and testing of an agent chatbot supporting decision making with public transport data
von: Fantin, Luca, et al.
Veröffentlicht: (2025)

BACON: A fully explainable AI model with graded logic for decision making problems
von: Bai, Haishi, et al.
Veröffentlicht: (2025)

Distill n' Explain: explaining graph neural networks using simple surrogates
von: Pereira, Tamara, et al.
Veröffentlicht: (2023)

Wheelchair automation by a hybrid BCI system using SSVEP and eye blinks
von: Kanungo, Lizy, et al.
Veröffentlicht: (2021)

Towards a Categorical Foundation of Deep Learning: A Survey
von: Crescenzi, Francesco Riccardo
Veröffentlicht: (2024)

Meta-learning ecological priors from large language models explains human learning and decision making
von: Jagadish, Akshay K., et al.
Veröffentlicht: (2025)

GENEOnet: Statistical analysis supporting explainability and trustworthiness
von: Bocchi, Giovanni, et al.
Veröffentlicht: (2025)

Causally Reliable Concept Bottleneck Models
von: De Felice, Giovanni, et al.
Veröffentlicht: (2025)

Interpretability in Deep Time Series Models Demands Semantic Alignment
von: De Felice, Giovanni, et al.
Veröffentlicht: (2026)

Actionable Interpretability Must Be Defined in Terms of Symmetries
von: Barbiero, Pietro, et al.
Veröffentlicht: (2026)

HIVMedQA: Benchmarking large language models for HIV medical decision support
von: Cardenal-Antolin, Gonzalo, et al.
Veröffentlicht: (2025)

Comparison of decision trees with Local Interpretable Model-Agnostic Explanations (LIME) technique and multi-linear regression for explaining support vector regression model in terms of root mean square error (RMSE) values
von: Thombre, Amit
Veröffentlicht: (2024)

Foundations of Interpretable Models
von: Barbiero, Pietro, et al.
Veröffentlicht: (2025)

A cybersecurity AI agent selection and decision support framework
von: Malatji, Masike
Veröffentlicht: (2025)

Retrofitters, pragmatists and activists: Public interest litigation for accountable automated decision-making
von: Fraser, Henry, et al.
Veröffentlicht: (2025)

Empirical Analysis of Asynchronous Federated Learning on Heterogeneous Devices: Efficiency, Fairness, and Privacy Trade-offs
von: Mohammadi, Samaneh, et al.
Veröffentlicht: (2025)

How should AI decisions be explained? Requirements for Explanations from the Perspective of European Law
von: Fresz, Benjamin, et al.
Veröffentlicht: (2024)

Guideline-grounded retrieval-augmented generation for ophthalmic clinical decision support
von: Chen, Shuying, et al.
Veröffentlicht: (2026)

An automated method for the ontological representation of security directives
von: Bella, Giampaolo, et al.
Veröffentlicht: (2023)

Causal Concept Graph Models: Beyond Causal Opacity in Deep Learning
von: Dominici, Gabriele, et al.
Veröffentlicht: (2024)

Delta1 with LLM: symbolic and neural integration for credible and explainable reasoning
von: Xu, Yang, et al.
Veröffentlicht: (2026)

Bayesian preference elicitation for decision support in multiobjective optimization
von: Huber, Felix, et al.
Veröffentlicht: (2025)

Toward explainable AI approaches for breast imaging: adapting foundation models to diverse populations
von: Cavalcante, Guilherme J., et al.
Veröffentlicht: (2025)

DTOR: Decision Tree Outlier Regressor to explain anomalies
von: Crupi, Riccardo, et al.
Veröffentlicht: (2024)

Towards the Formalization of a Trustworthy AI for Mining Interpretable Models explOiting Sophisticated Algorithms
von: Guidotti, Riccardo, et al.
Veröffentlicht: (2025)

Towards Few-shot Self-explaining Graph Neural Networks
von: Peng, Jingyu, et al.
Veröffentlicht: (2024)

FastRM: An efficient and automatic explainability framework for multimodal generative models
von: Stan, Gabriela Ben-Melech, et al.
Veröffentlicht: (2024)

A feature-stable and explainable machine learning framework for trustworthy decision-making under incomplete clinical data
von: Andrys-Olek, Justyna, et al.
Veröffentlicht: (2026)

Towards automated data analysis: A guided framework for LLM-based risk estimation
von: Rodis, Panteleimon
Veröffentlicht: (2026)

FairX: A comprehensive benchmarking tool for model analysis using fairness, utility, and explainability
von: Sikder, Md Fahim, et al.
Veröffentlicht: (2024)

An explainable hybrid deep learning-enabled intelligent fault detection and diagnosis approach for automotive software systems validation
von: Abboush, Mohammad, et al.
Veröffentlicht: (2026)