Buchumschlag

Rethinking Explanation Evaluation under the Retraining Scheme

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Cai, Yi, Ardoin, Thibaud, Gulati, Mayank, Wunder, Gerhard
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

On Gradient-like Explanation under a Black-box Setting: When Black-box Explanations Become as Good as White-box
von: Cai, Yi, et al.
Veröffentlicht: (2023)

ALIGN-FL: Architecture-independent Learning through Invariant Generative component sharing in Federated Learning
von: Gulati, Mayank, et al.
Veröffentlicht: (2025)

Tracking UWB Devices Through Radio Frequency Fingerprinting Is Possible
von: Ardoin, Thibaud, et al.
Veröffentlicht: (2025)

Transparent Neighborhood Approximation for Text Classifier Explanation
von: Cai, Yi, et al.
Veröffentlicht: (2024)

PERP: Rethinking the Prune-Retrain Paradigm in the Era of LLMs
von: Zimmer, Max, et al.
Veröffentlicht: (2023)

Online Resource Allocation for Edge Intelligence with Colocated Model Retraining and Inference
von: Cai, Huaiguang, et al.
Veröffentlicht: (2024)

Improving Prototypical Visual Explanations with Reward Reweighing, Reselection, and Retraining
von: Li, Aaron J., et al.
Veröffentlicht: (2023)

On the Impossibility of Retrain Equivalence in Machine Unlearning
von: Yu, Jiatong, et al.
Veröffentlicht: (2025)

On the Unreasonable Effectiveness of Last-layer Retraining
von: Hill, John C., et al.
Veröffentlicht: (2025)

Model CBOR Serialization for Federated Learning
von: Zandberg, Koen, et al.
Veröffentlicht: (2024)

Retraining-Free Merging of Sparse MoE via Hierarchical Clustering
von: Chen, I-Chun, et al.
Veröffentlicht: (2024)

Reconstruct the Pruned Model without Any Retraining
von: Wang, Pingjie, et al.
Veröffentlicht: (2024)

Graph Unlearning with Efficient Partial Retraining
von: Zhang, Jiahao, et al.
Veröffentlicht: (2024)

On the Stability of Iterative Retraining of Generative Models on their own Data
von: Bertrand, Quentin, et al.
Veröffentlicht: (2023)

LARA: A Light and Anti-overfitting Retraining Approach for Unsupervised Time Series Anomaly Detection
von: Chen, Feiyi, et al.
Veröffentlicht: (2023)

Machine and Deep Learning for Indoor UWB Jammer Localization
von: Fard, Hamed, et al.
Veröffentlicht: (2025)

Thumb on the Scale: Optimal Loss Weighting in Last Layer Retraining
von: Stromberg, Nathan, et al.
Veröffentlicht: (2025)

Time to Retrain? Detecting Concept Drifts in Machine Learning Systems
von: Pham, Tri Minh Triet, et al.
Veröffentlicht: (2024)

Improving Policy Optimization via $\varepsilon$-Retrain
von: Marzari, Luca, et al.
Veröffentlicht: (2024)

The Limitations of Model Retraining in the Face of Performativity
von: Kabra, Anmol, et al.
Veröffentlicht: (2024)

Evaluating LLM-Based Process Explanations under Progressive Behavioral-Input Reduction
von: van Oerle, P., et al.
Veröffentlicht: (2025)

Rethinking Saliency Maps: A Cognitive Human Aligned Taxonomy and Evaluation Framework for Explanations
von: Elisha, Yehonatan, et al.
Veröffentlicht: (2025)

How Good Are LLMs at Processing Tool Outputs?
von: Kate, Kiran, et al.
Veröffentlicht: (2025)

Taming Hyperparameter Sensitivity in Data Attribution: Practical Selection Without Costly Retraining
von: Wang, Weiyi, et al.
Veröffentlicht: (2025)

Pruning and Malicious Injection: A Retraining-Free Backdoor Attack on Transformer Models
von: Zhao, Taibiao, et al.
Veröffentlicht: (2025)

Multi-Level Safety Continual Projection for Fine-Tuned Large Language Models without Retraining
von: Han, Bing, et al.
Veröffentlicht: (2025)

A Neural Network for the Identical Kuramoto Equation: Architectural Considerations and Performance Evaluation
von: Panigrahi, Nishantak, et al.
Veröffentlicht: (2025)

Don't Retrain, Just Reuse: Recovering Dual-Target Molecules from Single-Target Diffusion Models
von: Zeng, Qingyuan, et al.
Veröffentlicht: (2026)

PANORAMIA: Privacy Auditing of Machine Learning Models without Retraining
von: Kazmi, Mishaal, et al.
Veröffentlicht: (2024)

Retraining with Predicted Hard Labels Provably Increases Model Accuracy
von: Das, Rudrajit, et al.
Veröffentlicht: (2024)

Assessing Per-Sample Membership Inference Vulnerability without Retraining
von: Dorseuil, Valentin, et al.
Veröffentlicht: (2026)

Rethinking MUSHRA: Addressing Modern Challenges in Text-to-Speech Evaluation
von: Varadhan, Praveen Srinivasa, et al.
Veröffentlicht: (2024)

PAC Learnability under Explanation-Preserving Graph Perturbations
von: Zheng, Xu, et al.
Veröffentlicht: (2024)

Explanations are a Means to an End: Decision Theoretic Explanation Evaluation
von: Guo, Ziyang, et al.
Veröffentlicht: (2025)

Opportunistic Expert Activation: Batch-Aware Expert Routing for Faster Decode Without Retraining
von: Oncescu, Costin-Andrei, et al.
Veröffentlicht: (2025)

QLIP: A Dynamic Quadtree Vision Prior Enhances MLLM Performance Without Retraining
von: Chickering, Kyle R., et al.
Veröffentlicht: (2025)

Gradient Estimation Methods of Approximate Multipliers for High-Accuracy Retraining of Deep Learning Models
von: Meng, Chang, et al.
Veröffentlicht: (2025)

Few-Shot Test-Time Optimization Without Retraining for Semiconductor Recipe Generation and Beyond
von: Gu, Shangding, et al.
Veröffentlicht: (2025)

On Linear Convergence of PI Consensus Algorithm under the Restricted Secant Inequality
von: Chakrabarti, Kushal, et al.
Veröffentlicht: (2023)

DISCRET: Synthesizing Faithful Explanations For Treatment Effect Estimation
von: Wu, Yinjun, et al.
Veröffentlicht: (2024)