Buchumschlag

Optimal Transport Group Counterfactual Explanations

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Valero-Leal, Enrique, Bischl, Bernd, Larrañaga, Pedro, Bielza, Concha, Casalicchio, Giuseppe
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Actionable Counterfactual Explanations Using Bayesian Networks and Path Planning with Applications to Environmental Quality Improvement
von: Valero-Leal, Enrique, et al.
Veröffentlicht: (2025)

On the Robustness of Global Feature Effect Explanations
von: Baniecki, Hubert, et al.
Veröffentlicht: (2024)

Efficient and Accurate Explanation Estimation with Distribution Compression
von: Baniecki, Hubert, et al.
Veröffentlicht: (2024)

Transfer learning for nonparametric Bayesian networks
von: Sojo, Rafael, et al.
Veröffentlicht: (2026)

Bandwidth Selectors on Semiparametric Bayesian Networks
von: Alejandre, Victor, et al.
Veröffentlicht: (2025)

Analyzing Error Sources in Global Feature Effect Estimation
von: Heiß, Timo, et al.
Veröffentlicht: (2026)

mlr3summary: Concise and interpretable summaries for machine learning models
von: Dandl, Susanne, et al.
Veröffentlicht: (2024)

CASHomon Sets: Efficient Rashomon Sets Across Multiple Model Classes and their Hyperparameters
von: Ewald, Fiona Katharina, et al.
Veröffentlicht: (2026)

Decomposing Global Feature Effects Based on Feature Interactions
von: Herbinger, Julia, et al.
Veröffentlicht: (2023)

Binned semiparametric Bayesian networks for efficient kernel density estimation
von: Sojo, Rafael, et al.
Veröffentlicht: (2025)

fmeffects: An R Package for Forward Marginal Effects
von: Löwe, Holger, et al.
Veröffentlicht: (2023)

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

Position Paper: Bridging the Gap Between Machine Learning and Sensitivity Analysis
von: Scholbeck, Christian A., et al.
Veröffentlicht: (2023)

Privilege Scores
von: Bothmann, Ludwig, et al.
Veröffentlicht: (2025)

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

A Guide to Feature Importance Methods for Scientific Inference
von: Ewald, Fiona Katharina, et al.
Veröffentlicht: (2024)

Position: Why We Must Rethink Empirical Research in Machine Learning
von: Herrmann, Moritz, et al.
Veröffentlicht: (2024)

Procedural Fairness via Group Counterfactual Explanation
von: Popoola, Gideon, et al.
Veröffentlicht: (2026)

Trust Me, I Know the Way: Predictive Uncertainty in the Presence of Shortcut Learning
von: Wimmer, Lisa, et al.
Veröffentlicht: (2025)

Overtuning in Hyperparameter Optimization
von: Schneider, Lennart, et al.
Veröffentlicht: (2025)

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

Effector: A Python package for regional explanations
von: Gkolemis, Vasilis, et al.
Veröffentlicht: (2024)

Counterfactual Identifiability via Dynamic Optimal Transport
von: Ribeiro, Fabio De Sousa, et al.
Veröffentlicht: (2025)

Tabular Diffusion Counterfactual Explanations
von: Zhang, Wei, et al.
Veröffentlicht: (2025)

Graph Diffusion Counterfactual Explanation
von: Bechtoldt, David, et al.
Veröffentlicht: (2025)

Fair Recourse for All: Ensuring Individual and Group Fairness in Counterfactual Explanations
von: Ezzeddine, Fatima, et al.
Veröffentlicht: (2026)

Optimal Transport on Categorical Data for Counterfactuals using Compositional Data and Dirichlet Transport
von: Machado, Agathe Fernandes, et al.
Veröffentlicht: (2025)

Watermarking Counterfactual Explanations
von: Guo, Hangzhi, et al.
Veröffentlicht: (2024)

Counterfactual Explanations Under Concept Drift
von: Kostrzewa, Marcin, et al.
Veröffentlicht: (2026)

ACE: Adapting sampling for Counterfactual Explanations
von: Guerrero, Margarita A., et al.
Veröffentlicht: (2025)

Differentiable Sparsity via $D$-Gating: Simple and Versatile Structured Penalization
von: Kolb, Chris, et al.
Veröffentlicht: (2025)

Calibrating LLMs with Information-Theoretic Evidential Deep Learning
von: Li, Yawei, et al.
Veröffentlicht: (2025)

Reshuffling Resampling Splits Can Improve Generalization of Hyperparameter Optimization
von: Nagler, Thomas, et al.
Veröffentlicht: (2024)

Deep Weight Factorization: Sparse Learning Through the Lens of Artificial Symmetries
von: Kolb, Chris, et al.
Veröffentlicht: (2025)

What Is Fairness? On the Role of Protected Attributes and Fictitious Worlds
von: Bothmann, Ludwig, et al.
Veröffentlicht: (2022)

Counterfactual Explanations for Linear Optimization
von: Kurtz, Jannis, et al.
Veröffentlicht: (2024)

Plausible Counterfactual Explanations of Recommendations
von: Černý, Jakub, et al.
Veröffentlicht: (2025)

S-CFE: Simple Counterfactual Explanations
von: Sadiku, Shpresim, et al.
Veröffentlicht: (2024)

Unifying Perspectives: Plausible Counterfactual Explanations on Global, Group-wise, and Local Levels
von: Furman, Oleksii, et al.
Veröffentlicht: (2024)

Structured Credal Learning
von: Venkatesh, Varun, et al.
Veröffentlicht: (2026)