Copertina

SHAP Distance: An Explainability-Aware Metric for Evaluating the Semantic Fidelity of Synthetic Tabular Data

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Yu, Ke, Ishikura, Shigeru, Usukura, Yukari, Shigoku, Yuki, Hayashi, Teruaki
Natura:	Preprint
Pubblicazione:	2025
Soggetti:	Machine Learning Artificial Intelligence Computers and Society
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

Critical Challenges and Guidelines in Evaluating Synthetic Tabular Data: A Systematic Review
di: Nafis, Nazia, et al.
Pubblicazione: (2025)

FairSHAP: Preprocessing for Fairness Through Attribution-Based Data Augmentation
di: Zhu, Lin, et al.
Pubblicazione: (2025)

Breast Cancer Classification Using Gradient Boosting Algorithms Focusing on Reducing the False Negative and SHAP for Explainability
di: Pinheiro, João Manoel Herrera, et al.
Pubblicazione: (2024)

TABCF: Counterfactual Explanations for Tabular Data Using a Transformer-Based VAE
di: Panagiotou, Emmanouil, et al.
Pubblicazione: (2024)

Opportunities and Challenges of Frontier Data Governance With Synthetic Data
di: Thakur, Madhavendra, et al.
Pubblicazione: (2025)

Synthetic Data and the Shifting Ground of Truth
di: Offenhuber, Dietmar
Pubblicazione: (2025)

Automatic Evaluation Metrics for Artificially Generated Scientific Research
di: Höpner, Niklas, et al.
Pubblicazione: (2025)

Synthetic Data in AI: Challenges, Applications, and Ethical Implications
di: Hao, Shuang, et al.
Pubblicazione: (2024)

Benchmarking Synthetic Tabular Data: A Multi-Dimensional Evaluation Framework
di: Sidorenko, Andrey, et al.
Pubblicazione: (2025)

DualAlign: Generating Clinically Grounded Synthetic Data
di: Li, Rumeng, et al.
Pubblicazione: (2025)

Quantitative Auditing of AI Fairness with Differentially Private Synthetic Data
di: Yuan, Chih-Cheng Rex, et al.
Pubblicazione: (2025)

Synthetic Data Augmentation for Enhancing Harmful Algal Bloom Detection with Machine Learning
di: Huang, Tianyi
Pubblicazione: (2025)

Quantifying Prediction Consistency Under Fine-Tuning Multiplicity in Tabular LLMs
di: Hamman, Faisal, et al.
Pubblicazione: (2024)

An Explainable Gaussian Process Auto-encoder for Tabular Data
di: Zhang, Wei, et al.
Pubblicazione: (2025)

Designing Reputation Systems for Manufacturing Data Trading Markets: A Multi-Agent Evaluation with Q-Learning and IRL-Estimated Utilities
di: Yamamoto, Kenta, et al.
Pubblicazione: (2025)

A Perspective on Explainable Artificial Intelligence Methods: SHAP and LIME
di: Salih, Ahmed, et al.
Pubblicazione: (2023)

Synthetic Data Privacy Metrics
di: Steier, Amy, et al.
Pubblicazione: (2025)

Transparent AI: The Case for Interpretability and Explainability
di: Ramachandram, Dhanesh, et al.
Pubblicazione: (2025)

Instance-Level Safety-Aware Fidelity of Synthetic Data and Its Calibration
di: Cheng, Chih-Hong, et al.
Pubblicazione: (2024)

Monitoring Fidelity of Online Reinforcement Learning Algorithms in Clinical Trials
di: Trella, Anna L., et al.
Pubblicazione: (2024)

Enhancing SHAP Explainability for Diagnostic and Prognostic ML Models in Alzheimer Disease
di: Guillén, Pablo, et al.
Pubblicazione: (2026)

CQD-SHAP: Explainable Complex Query Answering via Shapley Values
di: Abbasi, Parsa, et al.
Pubblicazione: (2025)

The LLM Data Auditor: A Metric-oriented Survey on Quality and Trustworthiness in Evaluating Synthetic Data
di: Zhang, Kaituo, et al.
Pubblicazione: (2026)

Evaluation Cards for XAI Metrics
di: Gipiškis, Rokas, et al.
Pubblicazione: (2026)

Synthetic Data, Similarity-based Privacy Metrics, and Regulatory (Non-)Compliance
di: Ganev, Georgi
Pubblicazione: (2024)

Contextual Graph Embeddings: Accounting for Data Characteristics in Heterogeneous Data Integration
di: Haruki, Yuka, et al.
Pubblicazione: (2025)

FNDEX: Fake News and Doxxing Detection with Explainable AI
di: Sallami, Dorsaf, et al.
Pubblicazione: (2024)

The Age of Synthetic Realities: Challenges and Opportunities
di: Cardenuto, João Phillipe, et al.
Pubblicazione: (2023)

Detecting Cybersecurity Threats by Integrating Explainable AI with SHAP Interpretability and Strategic Data Sampling
di: Srisumrith, Norrakith, et al.
Pubblicazione: (2026)

Fairness-Aware Interpretable Modeling (FAIM) for Trustworthy Machine Learning in Healthcare
di: Liu, Mingxuan, et al.
Pubblicazione: (2024)

Multi-Layer Attention-Based Explainability via Transformers for Tabular Data
di: Gavito, Andrea Treviño, et al.
Pubblicazione: (2023)

Scorecards for Synthetic Medical Data Evaluation and Reporting
di: Zamzmi, Ghada, et al.
Pubblicazione: (2024)

Mapping the Potential of Explainable AI for Fairness Along the AI Lifecycle
di: Deck, Luca, et al.
Pubblicazione: (2024)

ConTextTab: A Semantics-Aware Tabular In-Context Learner
di: Spinaci, Marco, et al.
Pubblicazione: (2025)

Explainable AI Systems Must Be Contestable: Here's How to Make It Happen
di: Moreira, Catarina, et al.
Pubblicazione: (2025)

FASTGEN: Fast and Cost-Effective Synthetic Tabular Data Generation with LLMs
di: Nguyen, Anh, et al.
Pubblicazione: (2025)

Synthetic Tabular Data Detection In the Wild
di: Kindji, G. Charbel N., et al.
Pubblicazione: (2025)

BERT-Based Approach for Automating Course Articulation Matrix Construction with Explainable AI
di: Shiferaw, Natenaile Asmamaw, et al.
Pubblicazione: (2024)

Learning-to-Explain through 20Q Gaming: An Explainable Recommender for Cybersecurity Education
di: Nusrat, Mary, et al.
Pubblicazione: (2026)

Explainable AI for Mental Health Emergency Returns: Integrating LLMs with Predictive Modeling
di: Ahmed, Abdulaziz, et al.
Pubblicazione: (2025)