Buchumschlag

CID: Measuring Feature Importance Through Counterfactual Distributions

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Conti, Eddie, Parafita, Álvaro, Brando, Axel
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

Probing the Embedding Space of Transformers via Minimal Token Perturbations
von: Conti, Eddie, et al.
Veröffentlicht: (2025)

Practical do-Shapley Explanations with Estimand-Agnostic Causal Inference
von: Parafita, Álvaro, et al.
Veröffentlicht: (2025)

Exactly Computing do-Shapley Values
von: Witter, R. Teal, et al.
Veröffentlicht: (2026)

CEPAE: Conditional Entropy-Penalized Autoencoders for Time Series Counterfactuals
von: Garriga, Tomàs, et al.
Veröffentlicht: (2026)

FLEX: Feature Importance from Layered Counterfactual Explanations
von: Keshtmand, Nawid, et al.
Veröffentlicht: (2025)

FitCF: A Framework for Automatic Feature Importance-guided Counterfactual Example Generation
von: Wang, Qianli, et al.
Veröffentlicht: (2025)

What is the relation between Slow Feature Analysis and the Successor Representation?
von: Seabrook, Eddie, et al.
Veröffentlicht: (2024)

Shedding Light on Large Generative Networks: Estimating Epistemic Uncertainty in Diffusion Models
von: Berry, Lucas, et al.
Veröffentlicht: (2024)

Slow Feature Analysis on Markov Chains from Goal-Directed Behavior
von: Schüler, Merlin, et al.
Veröffentlicht: (2025)

Leveraging Black-box Models to Assess Feature Importance in Unconditional Distribution
von: Zhou, Jing, et al.
Veröffentlicht: (2024)

CF-OPT: Counterfactual Explanations for Structured Prediction
von: Vivier-Ardisson, Germain, et al.
Veröffentlicht: (2024)

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

Enhancing Chemical Explainability Through Counterfactual Masking
von: Janisiów, Łukasz, et al.
Veröffentlicht: (2025)

Top-$k$ Feature Importance Ranking
von: Chen, Yuxi, et al.
Veröffentlicht: (2025)

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

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

CANDID DAC: Leveraging Coupled Action Dimensions with Importance Differences in DAC
von: Bordne, Philipp, et al.
Veröffentlicht: (2024)

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

Don't Explain Noise: Robust Counterfactuals for Randomized Ensembles
von: Forel, Alexandre, et al.
Veröffentlicht: (2022)

Classifier Reconstruction Through Counterfactual-Aware Wasserstein Prototypes
von: Zhao, Xuan, et al.
Veröffentlicht: (2025)

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

DISCOVER: A Solver for Distributional Counterfactual Explanations
von: Gu, Yikai, et al.
Veröffentlicht: (2026)

cc-Shapley: Measuring Multivariate Feature Importance Needs Causal Context
von: Martin, Jörg, et al.
Veröffentlicht: (2026)

Executable Counterfactuals: Improving LLMs' Causal Reasoning Through Code
von: Vashishtha, Aniket, et al.
Veröffentlicht: (2025)

Supervised Feature Compression based on Counterfactual Analysis
von: Piccialli, Veronica, et al.
Veröffentlicht: (2022)

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

Causal Imputation for Counterfactual SCMs: Bridging Graphs and Latent Factor Models
von: Ribot, Alvaro, et al.
Veröffentlicht: (2024)

Learning Counterfactual Distributions via Kernel Nearest Neighbors
von: Choi, Kyuseong, et al.
Veröffentlicht: (2024)

Enhancing Counterfactual Image Generation Using Mahalanobis Distance with Distribution Preferences in Feature Space
von: Zhang, Yukai, et al.
Veröffentlicht: (2024)

Distributional Counterfactual Explanations With Optimal Transport
von: You, Lei, et al.
Veröffentlicht: (2024)

Nonparametric Identification and Inference for Counterfactual Distributions with Confounding
von: Sun, Jianle, et al.
Veröffentlicht: (2026)

Quantifying the Importance of Data Alignment in Downstream Model Performance
von: Chawla, Krrish, et al.
Veröffentlicht: (2025)

Measuring Variable Importance in Heterogeneous Treatment Effects with Confidence
von: Paillard, Joseph, et al.
Veröffentlicht: (2024)

Decision-Aware Proximal Bridge Learning for Optimal Treatment Selection
von: Garriga, Tomàs, et al.
Veröffentlicht: (2026)

xplainfi: Feature Importance and Statistical Inference for Machine Learning in R
von: Burk, Lukas, et al.
Veröffentlicht: (2026)

Navigating Explanatory Multiverse Through Counterfactual Path Geometry
von: Sokol, Kacper, et al.
Veröffentlicht: (2023)

A Click-Through Rate Prediction Method Based on Cross-Importance of Multi-Order Features
von: Wang, Hao, et al.
Veröffentlicht: (2024)

The Rashomon Importance Distribution: Getting RID of Unstable, Single Model-based Variable Importance
von: Donnelly, Jon, et al.
Veröffentlicht: (2023)

From SHAP Scores to Feature Importance Scores
von: Letoffe, Olivier, et al.
Veröffentlicht: (2024)

Feature Importance and Explainability in Quantum Machine Learning
von: Power, Luke, et al.
Veröffentlicht: (2024)