Buchumschlag

Actionable and diverse counterfactual explanations incorporating domain knowledge and plausibility constraints

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bobek, Szymon, Bałec, Łukasz, Nalepa, Grzegorz J.
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Artificial Intelligence Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Local Universal Explainer (LUX) -- a rule-based explainer with factual, counterfactual and visual explanations
von: Bobek, Szymon, et al.
Veröffentlicht: (2023)

Explaining Time Series Classifiers with PHAR: Rule Extraction and Fusion from Post-hoc Attributions
von: Mozolewski, Maciej, et al.
Veröffentlicht: (2025)

Towards plausibility in time series counterfactual explanations
von: Kostrzewa, Marcin, et al.
Veröffentlicht: (2026)

Towards Differentiating Between Failures and Domain Shifts in Industrial Data Streams
von: Wojak-Strzelecka, Natalia, et al.
Veröffentlicht: (2026)

ProtoTSNet: Interpretable Multivariate Time Series Classification With Prototypical Parts
von: Małkus, Bartłomiej, et al.
Veröffentlicht: (2025)

Financial Management System for SMEs: Real-World Deployment of Accounts Receivable and Cash Flow Prediction
von: Małkus, Bartłomiej, et al.
Veröffentlicht: (2025)

User-centric evaluation of explainability of AI with and for humans: a comprehensive empirical study
von: Bobek, Szymon, et al.
Veröffentlicht: (2024)

Dataset resulting from the user study on comprehensibility of explainable AI algorithms
von: Bobek, Szymon, et al.
Veröffentlicht: (2024)

Guiding the generation of counterfactual explanations through temporal background knowledge for Predictive Process Monitoring
von: Buliga, Andrei, et al.
Veröffentlicht: (2024)

HyConEx: Hypernetwork classifier with counterfactual explanations for tabular data
von: Marszałek, Patryk, et al.
Veröffentlicht: (2025)

xai-cola: A Python library for sparsifying counterfactual explanations
von: Zhu, Lin, et al.
Veröffentlicht: (2026)

A multi-criteria approach for selecting an explanation from the set of counterfactuals produced by an ensemble of explainers
von: Stępka, Ignacy, et al.
Veröffentlicht: (2024)

CountARFactuals -- Generating plausible model-agnostic counterfactual explanations with adversarial random forests
von: Dandl, Susanne, et al.
Veröffentlicht: (2024)

From Prototypes to Sparse ECG Explanations: SHAP-Driven Counterfactuals for Multivariate Time-Series Multi-class Classification
von: Mozolewski, Maciej, et al.
Veröffentlicht: (2025)

Validating the Clinical Utility of CineECG 3D Reconstructions through Cross-Modal Feature Attribution
von: Dobiczek, Karol, et al.
Veröffentlicht: (2026)

Artificial Intelligence Approaches for Predictive Maintenance in the Steel Industry: A Survey
von: Jakubowski, Jakub, et al.
Veröffentlicht: (2024)

On Predictive planning and counterfactual learning in active inference
von: Paul, Aswin, et al.
Veröffentlicht: (2024)

PUPAE: Intuitive and Actionable Explanations for Time Series Anomalies
von: Der, Audrey, et al.
Veröffentlicht: (2024)

Trustworthy Actionable Perturbations
von: Friedbaum, Jesse, et al.
Veröffentlicht: (2024)

Counterfactual Training: Teaching Models Plausible and Actionable Explanations
von: Altmeyer, Patrick, et al.
Veröffentlicht: (2026)

From Abstract to Actionable: Pairwise Shapley Values for Explainable AI
von: Xu, Jiaxin, et al.
Veröffentlicht: (2025)

From Universal to Individualized Actionability: Revisiting Personalization in Algorithmic Recourse
von: Budde, Lena Marie, et al.
Veröffentlicht: (2026)

MolWorld: Molecule World Models for Actionable Molecular Optimization
von: Qiao, Yang, et al.
Veröffentlicht: (2026)

Tabular Diffusion based Actionable Counterfactual Explanations for Network Intrusion Detection
von: Galwaduge, Vinura, et al.
Veröffentlicht: (2025)

ACTER: Diverse and Actionable Counterfactual Sequences for Explaining and Diagnosing RL Policies
von: Gajcin, Jasmina, et al.
Veröffentlicht: (2024)

How can we trust opaque systems? Criteria for robust explanations in XAI
von: Boge, Florian J., et al.
Veröffentlicht: (2025)

FACEGroup: Feasible and Actionable Counterfactual Explanations for Group Fairness
von: Fragkathoulas, Christos, et al.
Veröffentlicht: (2024)

Dual feature-based and example-based explanation methods
von: Konstantinov, Andrei V., et al.
Veröffentlicht: (2024)

OAK -- Onboarding with Actionable Knowledge
von: Devènes, Steve, et al.
Veröffentlicht: (2025)

RealAC: A Domain-Agnostic Framework for Realistic and Actionable Counterfactual Explanations
von: Arefeen, Asiful, et al.
Veröffentlicht: (2025)

Revitalizing Black-Box Interpretability: Actionable Interpretability for LLMs via Proxy Models
von: Liu, Junhao, et al.
Veröffentlicht: (2025)

Learning to refine domain knowledge for biological network inference
von: Li, Peiwen, et al.
Veröffentlicht: (2024)

Combining Forecasts using Meta-Learning: A Comparative Study for Complex Seasonality
von: Dudek, Grzegorz
Veröffentlicht: (2025)

Stacking for Probabilistic Short-term Load Forecasting
von: Dudek, Grzegorz
Veröffentlicht: (2024)

Data Classification with Dynamically Growing and Shrinking Neural Networks
von: Świderski, Szymon, et al.
Veröffentlicht: (2025)

Actionable Interpretability via Causal Hypergraphs: Unravelling Batch Size Effects in Deep Learning
von: Sun, Zhongtian, et al.
Veröffentlicht: (2025)

On Revealing the Hidden Problem Structure in Real-World and Theoretical Problems Using Walsh Coefficient Influence
von: Przewozniczek, M. W., et al.
Veröffentlicht: (2025)

The OPS-SAT benchmark for detecting anomalies in satellite telemetry
von: Ruszczak, Bogdan, et al.
Veröffentlicht: (2024)

IMPACTX: improving model performance by appropriately constraining the training with teacher explanations
von: Apicella, Andrea, et al.
Veröffentlicht: (2025)

Towards a perturbation-based explanation for medical AI as differentiable programs
von: Abe, Takeshi, et al.
Veröffentlicht: (2025)