Buchumschlag

DPCformer: An Interpretable Deep Learning Model for Genomic Prediction in Crops

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Deng, Pengcheng, Liu, Kening, Zhou, Mengxi, Li, Mingxi, Yang, Rui, Cao, Chuzhe, Wang, Maojun, Zhang, Zeyu
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

Trustworthy GNNs with LLMs: A Systematic Review and Taxonomy
von: Xue, Ruizhan, et al.
Veröffentlicht: (2025)

Enhancing Interpretability Through Loss-Defined Classification Objective in Structured Latent Spaces
von: Geissler, Daniel, et al.
Veröffentlicht: (2024)

DeepSelective: Interpretable Prognosis Prediction via Feature Selection and Compression in EHR Data
von: Zhang, Ruochi, et al.
Veröffentlicht: (2025)

An Embarrassingly Simple Approach to Enhance Transformer Performance in Genomic Selection for Crop Breeding
von: Chen, Renqi, et al.
Veröffentlicht: (2024)

From Challenges and Pitfalls to Recommendations and Opportunities: Implementing Federated Learning in Healthcare
von: Li, Ming, et al.
Veröffentlicht: (2024)

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

Intrinsic Explainability of Multimodal Learning for Crop Yield Prediction
von: Najjar, Hiba, et al.
Veröffentlicht: (2025)

Comparative Analysis of Deep Learning Models for Crop Disease Detection: A Transfer Learning Approach
von: Subramaniam, Saundarya, et al.
Veröffentlicht: (2025)

Benchmarking Counterfactual Interpretability in Deep Learning Models for Time Series Classification
von: Kan, Ziwen, et al.
Veröffentlicht: (2024)

An EnKF-LSTM Assimilation Algorithm for Crop Growth Model
von: Zhou, Siqi, et al.
Veröffentlicht: (2024)

iKAN: Global Incremental Learning with KAN for Human Activity Recognition Across Heterogeneous Datasets
von: Liu, Mengxi, et al.
Veröffentlicht: (2024)

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

Interpretable Operator Learning for Inverse Problems via Adaptive Spectral Filtering: Convergence and Discretization Invariance
von: Dong, Hang-Cheng, et al.
Veröffentlicht: (2026)

GeoPro-Net: Learning Interpretable Spatiotemporal Prediction Models through Statistically-Guided Geo-Prototyping
von: An, Bang, et al.
Veröffentlicht: (2024)

GraphCare: Enhancing Healthcare Predictions with Personalized Knowledge Graphs
von: Jiang, Pengcheng, et al.
Veröffentlicht: (2023)

Tackling Incomplete Data in Air Quality Prediction: A Bayesian Deep Learning Framework for Uncertainty Quantification
von: Pian, Yuzhuang, et al.
Veröffentlicht: (2025)

AttnGen: Attention-Guided Saliency Learning for Interpretable Genomic Sequence Classification
von: Nia, Rayhaneh Shabani, et al.
Veröffentlicht: (2026)

Deep Reinforcement Learning from Hierarchical Preference Design
von: Bukharin, Alexander, et al.
Veröffentlicht: (2023)

Towards Interpretable Deep Reinforcement Learning Models via Inverse Reinforcement Learning
von: Xie, Sean, et al.
Veröffentlicht: (2022)

An Explainable Ensemble Learning Framework for Crop Classification with Optimized Feature Pyramids and Deep Networks
von: Masud, Syed Rayhan, et al.
Veröffentlicht: (2026)

A Hybrid Modeling Framework for Crop Prediction Tasks via Dynamic Parameter Calibration and Multi-Task Learning
von: Solow, William, et al.
Veröffentlicht: (2026)

SL-CBM: Enhancing Concept Bottleneck Models with Semantic Locality for Better Interpretability
von: Zhang, Hanwei, et al.
Veröffentlicht: (2026)

Behavior Backdoor for Deep Learning Models
von: Wang, Jiakai, et al.
Veröffentlicht: (2024)

Naïve Bayes and Random Forest for Crop Yield Prediction
von: Maazallahi, Abbas, et al.
Veröffentlicht: (2024)

Interpretable Deep Reinforcement Learning for Element-level Bridge Life-cycle Optimization
von: Moayyedi, Seyyed Amirhossein, et al.
Veröffentlicht: (2026)

Reinfier and Reintrainer: Verification and Interpretation-Driven Safe Deep Reinforcement Learning Frameworks
von: Yang, Zixuan, et al.
Veröffentlicht: (2024)

From Explainability to Interpretability: Interpretable Policies in Reinforcement Learning Via Model Explanation
von: Li, Peilang, et al.
Veröffentlicht: (2025)

Bridging Generalization and Personalization in Human Activity Recognition via On-Device Few-Shot Learning
von: Kang, Pixi, et al.
Veröffentlicht: (2025)

Towards Machine Learning-based Model Predictive Control for HVAC Control in Multi-Context Buildings at Scale via Ensemble Learning
von: Deng, Yang, et al.
Veröffentlicht: (2025)

Advanced Deep Learning Methods for Protein Structure Prediction and Design
von: Zhang, Yichao, et al.
Veröffentlicht: (2025)

Meta Additive Model: Interpretable Sparse Learning With Auto Weighting
von: Zhang, Xuelin, et al.
Veröffentlicht: (2026)

LiteInception: A Lightweight and Interpretable Deep Learning Framework for General Aviation Fault Diagnosis
von: Wei, Zhihuan, et al.
Veröffentlicht: (2026)

Neuro-Inspired Hierarchical Multimodal Learning
von: Xiao, Xiongye, et al.
Veröffentlicht: (2023)

All Leaks Count, Some Count More: Interpretable Temporal Contamination Detection and Mitigation in LLM Backtesting
von: Zhang, Zeyu, et al.
Veröffentlicht: (2026)

Identifying Trustworthiness Challenges in Deep Learning Models for Continental-Scale Water Quality Prediction
von: Xia, Xiaobo, et al.
Veröffentlicht: (2025)

Gauge-Equivariant Intrinsic Neural Operators for Geometry-Consistent Learning of Elliptic PDE Maps
von: Cheng, Pengcheng
Veröffentlicht: (2026)

Towards Interpretable Deep Generative Models via Causal Representation Learning
von: Moran, Gemma E., et al.
Veröffentlicht: (2025)

Clarifying Model Transparency: Interpretability versus Explainability in Deep Learning with MNIST and IMDB Examples
von: Raj, Mitali
Veröffentlicht: (2025)

A Machine Learning Approach for Crop Yield and Disease Prediction Integrating Soil Nutrition and Weather Factors
von: Ahmed, Forkan Uddin, et al.
Veröffentlicht: (2024)

DiabetesNet: A Deep Learning Approach to Diabetes Diagnosis
von: Zhang, Zeyu, et al.
Veröffentlicht: (2024)