Buchumschlag

Top-$k$ Feature Importance Ranking

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chen, Yuxi, Tang, Tiffany, Allen, Genevera
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

Fair Feature Importance Scores via Feature Occlusion and Permutation
von: Little, Camille, et al.
Veröffentlicht: (2026)

LOCO Feature Importance Inference without Data Splitting via Minipatch Ensembles
von: Gan, Luqin, et al.
Veröffentlicht: (2022)

iLOCO: Distribution-Free Inference for Feature Interactions
von: Little, Camille, et al.
Veröffentlicht: (2025)

Low-Rank Covariance Completion for Graph Quilting with Applications to Functional Connectivity
von: Chang, Andersen, et al.
Veröffentlicht: (2022)

Unsupervised Machine Learning for Scientific Discovery: Workflow and Best Practices
von: Chang, Andersen, et al.
Veröffentlicht: (2025)

Fair MP-BOOST: Fair and Interpretable Minipatch Boosting
von: Little, Camille Olivia, et al.
Veröffentlicht: (2024)

On the Minimax Regret in Online Ranking with Top-k Feedback
von: Zhang, Mingyuan, et al.
Veröffentlicht: (2023)

Fast and Accurate Graph Learning for Huge Data via Minipatch Ensembles
von: Yao, Tianyi, et al.
Veröffentlicht: (2021)

Statistical Significance of Feature Importance Rankings
von: Goldwasser, Jeremy, et al.
Veröffentlicht: (2024)

Local MDI+: Local Feature Importances for Tree-Based Models
von: Liang, Zhongyuan, et al.
Veröffentlicht: (2025)

Cluster Quilting: Spectral Clustering for Patchwork Learning
von: Zheng, Lili, et al.
Veröffentlicht: (2024)

Are machine learning interpretations reliable? A stability study on global interpretations
von: Gan, Luqin, et al.
Veröffentlicht: (2025)

Generalized Top-k Mallows Model for Ranked Choices
von: Haddadan, Shahrzad, et al.
Veröffentlicht: (2025)

Weighted Conformal Clustering
von: Nath, Anirban, et al.
Veröffentlicht: (2026)

Top-k on a Budget: Adaptive Ranking with Weak and Strong Oracles
von: Oettershagen, Lutz
Veröffentlicht: (2026)

Group-Aware Matrix Estimation and Latent Subspace Recovery
von: Golubovic, Hamza, et al.
Veröffentlicht: (2026)

Variable Selection Using Relative Importance Rankings
von: Chang, Tien-En, et al.
Veröffentlicht: (2025)

Learning to Rank with Top-$K$ Fairness
von: Zhang, Boyang, et al.
Veröffentlicht: (2025)

Approximate Top-$k$ for Increased Parallelism
von: Key, Oscar, et al.
Veröffentlicht: (2024)

Top-$k$ Classification and Cardinality-Aware Prediction
von: Mao, Anqi, et al.
Veröffentlicht: (2024)

Statistical Models of Top-$k$ Partial Orders
von: Awadelkarim, Amel, et al.
Veröffentlicht: (2024)

Cardinality-Aware Set Prediction and Top-$k$ Classification
von: Cortes, Corinna, et al.
Veröffentlicht: (2024)

Breaking the Top-$K$ Barrier: Advancing Top-$K$ Ranking Metrics Optimization in Recommender Systems
von: Yang, Weiqin, et al.
Veröffentlicht: (2025)

Differentiable Knapsack and Top-k Operators via Dynamic Programming
von: Vivier-Ardisson, Germain, et al.
Veröffentlicht: (2026)

Learned Feature Importance Scores for Automated Feature Engineering
von: Dong, Yihe, et al.
Veröffentlicht: (2024)

Challenges in Variable Importance Ranking Under Correlation
von: Liang, Annie, et al.
Veröffentlicht: (2024)

A Preliminary Study on the Promises and Challenges of Native Top-$k$ Sparse Attention
von: Xiu, Di, et al.
Veröffentlicht: (2025)

Why Ask One When You Can Ask $k$? Learning-to-Defer to the Top-$k$ Experts
von: Montreuil, Yannis, et al.
Veröffentlicht: (2025)

Learn to Rank: Visual Attribution by Learning Importance Ranking
von: Schinagl, David, et al.
Veröffentlicht: (2026)

Tab-Shapley: Identifying Top-k Tabular Data Quality Insights
von: Padala, Manisha, et al.
Veröffentlicht: (2025)

Disentangled Feature Importance
von: Du, Jin-Hong, et al.
Veröffentlicht: (2025)

Ranking the Top-K Realizations of Stochastically Known Event Logs
von: Lepsien, Arvid, et al.
Veröffentlicht: (2024)

ZETA: Leveraging Z-order Curves for Efficient Top-k Attention
von: Zeng, Qiuhao, et al.
Veröffentlicht: (2025)

Factor Importance Ranking and Selection using Total Indices
von: Huang, Chaofan, et al.
Veröffentlicht: (2024)

Reducing Communication for Split Learning by Randomized Top-k Sparsification
von: Zheng, Fei, et al.
Veröffentlicht: (2023)

Trustworthy Feature Importance Avoids Unrestricted Permutations
von: Borgonovo, Emanuele, et al.
Veröffentlicht: (2026)

Foundations of Top-$k$ Decoding For Language Models
von: Noarov, Georgy, et al.
Veröffentlicht: (2025)

A Mathematical Theory of Top-$k$ Sparse Attention via Total Variation Distance
von: Tzachristas, Georgios, et al.
Veröffentlicht: (2025)

CID: Measuring Feature Importance Through Counterfactual Distributions
von: Conti, Eddie, et al.
Veröffentlicht: (2025)

Aggregate Models, Not Explanations: Improving Feature Importance Estimation
von: Paillard, Joseph, et al.
Veröffentlicht: (2026)