Buchumschlag

Towards Differentiating Between Failures and Domain Shifts in Industrial Data Streams

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wojak-Strzelecka, Natalia, Bobek, Szymon, Nalepa, Grzegorz J., Stefanowski, Jerzy
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Artificial Intelligence
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)

Actionable and diverse counterfactual explanations incorporating domain knowledge and plausibility constraints
von: Bobek, Szymon, et al.
Veröffentlicht: (2025)

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

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

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)

Explaining Concept Drift through the Evolution of Group Counterfactuals
von: Stępka, Ignacy, et al.
Veröffentlicht: (2025)

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

A Probabilistic Consensus-Driven Approach for Robust Counterfactual Explanations
von: Kostrzewa, Marcin, 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)

Counterfactual Explanations with Probabilistic Guarantees on their Robustness to Model Change
von: Stępka, Ignacy, et al.
Veröffentlicht: (2024)

Investigating the Relationship Between Debiasing and Artifact Removal using Saliency Maps
von: Sztukiewicz, Lukasz, et al.
Veröffentlicht: (2025)

Improving Online Bagging for Complex Imbalanced Data Stream
von: Przybyl, Bartosz, et al.
Veröffentlicht: (2024)

Probabilistically Plausible Counterfactual Explanations with Normalizing Flows
von: Wielopolski, Patryk, et al.
Veröffentlicht: (2024)

The Problem of Coherence in Natural Language Explanations of Recommendations
von: Raczyński, Jakub, et al.
Veröffentlicht: (2023)

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

DetoxAI: a Python Toolkit for Debiasing Deep Learning Models in Computer Vision
von: Stępka, Ignacy, et al.
Veröffentlicht: (2025)

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)

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

Online Sparse Feature Selection in Data Streams via Differential Evolution
von: Xu, Ruiyang
Veröffentlicht: (2025)

Alike Parts: A Feature-Informed Approach to Local and Global Prototype Explanations
von: Karolczak, Jacek, et al.
Veröffentlicht: (2026)

An interpretable prototype parts-based neural network for medical tabular data
von: Karolczak, Jacek, et al.
Veröffentlicht: (2026)

This part looks alike this: identifying important parts of explained instances and prototypes
von: Karolczak, Jacek, et al.
Veröffentlicht: (2025)

A-PETE: Adaptive Prototype Explanations of Tree Ensembles
von: Karolczak, Jacek, et al.
Veröffentlicht: (2024)

"What is Different Between These Datasets?" A Framework for Explaining Data Distribution Shifts
von: Babbar, Varun, et al.
Veröffentlicht: (2024)

Towards a Foundation Model for Partial Differential Equations Across Physics Domains
von: Soares, Eduardo, et al.
Veröffentlicht: (2025)

The Estimation of Continual Causal Effect for Dataset Shifting Streams
von: Chen, Baining, et al.
Veröffentlicht: (2025)

Domain-invariant Clinical Representation Learning by Bridging Data Distribution Shift across EMR Datasets
von: Zhang, Zhongji, et al.
Veröffentlicht: (2023)

Multi-View Neural Differential Equations for Continuous-Time Stream Data in Long-Term Traffic Forecasting
von: Liu, Zibo, et al.
Veröffentlicht: (2024)

Mitigating Domain Shift in Federated Learning via Intra- and Inter-Domain Prototypes
von: Le, Huy Q., et al.
Veröffentlicht: (2025)

GCAL: Adapting Graph Models to Evolving Domain Shifts
von: Qiao, Ziyue, et al.
Veröffentlicht: (2025)

StreamEnsemble: Predictive Queries over Spatiotemporal Streaming Data
von: Chaves, Anderson, et al.
Veröffentlicht: (2024)

DSPR: Dual-Stream Physics-Residual Networks for Trustworthy Industrial Time Series Forecasting
von: Zhang, Yeran, et al.
Veröffentlicht: (2026)

Validity Learning on Failures: Mitigating the Distribution Shift in Autonomous Vehicle Planning
von: Arasteh, Fazel, et al.
Veröffentlicht: (2024)

An Enhanced Federated Prototype Learning Method under Domain Shift
von: Kuang, Liang, et al.
Veröffentlicht: (2024)

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

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

StreamFP: Learnable Fingerprint-guided Data Selection for Efficient Stream Learning
von: Shi, Tongjun, et al.
Veröffentlicht: (2024)