Buchumschlag

Predicting Multi-Drug Resistance in Bacterial Isolates Through Performance Comparison and LIME-based Interpretation of Classification Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wishal, Santanam, Sahara, Riad
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

Robust Hybrid Classical-Quantum Transfer Learning Model for Text Classification Using GPT-Neo 125M with LoRA & SMOTE Enhancement
von: Wishal, Santanam
Veröffentlicht: (2025)

The Impact of Battery Cell Configuration on Electric Vehicle Performance: An XGBoost-Based Classification with SHAP Interpretability
von: Wishal, Santanam, et al.
Veröffentlicht: (2026)

What's wrong with modern Human?
von: Santanam, Wishal
Veröffentlicht: (2025)

Enhancing Quantum Diffusion Models for Complex Image Generation
von: Jo, Jeongbin, et al.
Veröffentlicht: (2026)

Bridging Interpretability and Robustness Using LIME-Guided Model Refinement
von: Nayyem, Navid, et al.
Veröffentlicht: (2024)

ForecastGAN: A Decomposition-Based Adversarial Framework for Multi-Horizon Time Series Forecasting
von: Fatima, Syeda Sitara Wishal, et al.
Veröffentlicht: (2025)

Robust Multi-Agent Path Finding under Observation Attacks: A Principled Adversarial-Plus-Smoothing Training Recipe
von: Ahmed, Riad
Veröffentlicht: (2026)

Q-LIME $π$: A Quantum-Inspired Extension to LIME
von: Vargas, Nelson Colón
Veröffentlicht: (2024)

A Method for Evaluating the Interpretability of Machine Learning Models in Predicting Bond Default Risk Based on LIME and SHAP
von: Zhang, Yan, et al.
Veröffentlicht: (2025)

A Comparative Study of Machine Learning Algorithms for Electricity Price Forecasting with LIME-Based Interpretability
von: Zhao, Xuanyi, et al.
Veröffentlicht: (2025)

Focus-LIME: Surgical Interpretation of Long-Context Large Language Models via Proxy-Based Neighborhood Selection
von: Liu, Junhao, et al.
Veröffentlicht: (2026)

BOLIMES: Boruta and LIME optiMized fEature Selection for Gene Expression Classification
von: Phan, Bich-Chung, et al.
Veröffentlicht: (2025)

Interpreting Time Series Forecasts with LIME and SHAP: A Case Study on the Air Passengers Dataset
von: Shukla, Manish
Veröffentlicht: (2025)

Interpretable ML Under the Microscope: Performance, Meta-Features, and the Regression-Classification Predictability Gap
von: Billa, Mattia, et al.
Veröffentlicht: (2026)

Comparison of decision trees with Local Interpretable Model-Agnostic Explanations (LIME) technique and multi-linear regression for explaining support vector regression model in terms of root mean square error (RMSE) values
von: Thombre, Amit
Veröffentlicht: (2024)

Enhancing LIME using Neural Decision Trees
von: Bouyahia, Mohamed Aymen, et al.
Veröffentlicht: (2026)

Interpretable and Editable Programmatic Tree Policies for Reinforcement Learning
von: Kohler, Hector, et al.
Veröffentlicht: (2024)

Evaluating Interpretable Reinforcement Learning by Distilling Policies into Programs
von: Kohler, Hector, et al.
Veröffentlicht: (2025)

LLMs for Drug-Drug Interaction Prediction: A Comprehensive Comparison
von: De Vito, Gabriele, et al.
Veröffentlicht: (2025)

LIME-LLM: Probing Models with Fluent Counterfactuals, Not Broken Text
von: Mihaila, George, et al.
Veröffentlicht: (2026)

LIME: Link-based user-item Interaction Modeling with decoupled xor attention for Efficient test time scaling
von: Jiang, Yunjiang, et al.
Veröffentlicht: (2025)

SHLIME: Foiling adversarial attacks fooling SHAP and LIME
von: Chauhan, Sam, et al.
Veröffentlicht: (2025)

Green LIME: Improving AI Explainability through Design of Experiments
von: Stadler, Alexandra, et al.
Veröffentlicht: (2025)

VAMP-Net: An Interpretable Multi-Path Network of Genomic Permutation-Invariant Set Attention and Quality-Aware 1D-CNN for MTB Drug Resistance
von: Boutorh, Aicha, et al.
Veröffentlicht: (2025)

Disentangling Causal Substructures for Interpretable and Generalizable Drug Synergy Prediction
von: Luo, Yi, et al.
Veröffentlicht: (2025)

The Effect of Model Size on LLM Post-hoc Explainability via LIME
von: Heyen, Henning, et al.
Veröffentlicht: (2024)

Controllable Edge-Type-Specific Interpretation in Multi-Relational Graph Neural Networks for Drug Response Prediction
von: Li, Xiaodi, et al.
Veröffentlicht: (2024)

Explainable AI for Radar Resource Management: Modified LIME in Deep Reinforcement Learning
von: Lu, Ziyang, et al.
Veröffentlicht: (2025)

Benchmarking Scientific Machine Learning Models for Air Quality Data
von: Masud, Khawja Imran, et al.
Veröffentlicht: (2026)

Which LIME should I trust? Concepts, Challenges, and Solutions
von: Knab, Patrick, et al.
Veröffentlicht: (2025)

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

Performative Drift Resistant Classification Using Generative Domain Adversarial Networks
von: Makowski, Maciej, et al.
Veröffentlicht: (2025)

Examining the Rat in the Tunnel: Interpretable Multi-Label Classification of Tor-based Malware
von: Karunanayake, Ishan, et al.
Veröffentlicht: (2024)

Multi-Stage Prototype Learning for Interpretable Time Series Classification
von: Kalisetti, Bhavesh, et al.
Veröffentlicht: (2021)

MusicLIME: Explainable Multimodal Music Understanding
von: Sotirou, Theodoros, et al.
Veröffentlicht: (2024)

Hierarchical Multi-Relational Graph Representation Learning for Large-Scale Prediction of Drug-Drug Interactions
von: Jiang, Mengying, et al.
Veröffentlicht: (2024)

Personalized Interpretable Classification
von: He, Zengyou, et al.
Veröffentlicht: (2023)

Classification of Radiologically Isolated Syndrome and Clinically Isolated Syndrome with Machine-Learning Techniques
von: Mato-Abad, V, et al.
Veröffentlicht: (2024)

DRExplainer: Quantifiable Interpretability in Drug Response Prediction with Directed Graph Convolutional Network
von: Shi, Haoyuan, et al.
Veröffentlicht: (2024)

Enhancing Interpretability and Generalizability in Extended Isolation Forests
von: Arcudi, Alessio, et al.
Veröffentlicht: (2023)