Buchumschlag

Spectral Path Regression: Directional Chebyshev Harmonics for Interpretable Tabular Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Coombs, Milo
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

Revisiting Chebyshev Polynomial and Anisotropic RBF Models for Tabular Regression
von: Gerber, Luciano, et al.
Veröffentlicht: (2026)

Learning Interpretable Differentiable Logic Networks for Tabular Regression
von: Yue, Chang, et al.
Veröffentlicht: (2025)

Interpretable Tabular Foundation Models via In-Context Kernel Regression
von: Miftachov, Ratmir, et al.
Veröffentlicht: (2026)

Spectral Manifold Harmonization for Graph Imbalanced Regression
von: Nogueira, Brenda, et al.
Veröffentlicht: (2025)

WISCA: A Consensus-Based Approach to Harmonizing Interpretability in Tabular Datasets
von: Banegas-Luna, Antonio Jesús, et al.
Veröffentlicht: (2025)

Graph Spectral Filtering with Chebyshev Interpolation for Recommendation
von: Kim, Chanwoo, et al.
Veröffentlicht: (2025)

Spectral Embedding via Chebyshev Bases for Robust DeepONet Approximation
von: Abid, Muhammad, et al.
Veröffentlicht: (2025)

Path Learning with Trajectory Advantage Regression
von: Miyaguchi, Kohei
Veröffentlicht: (2025)

GAMformer: Bridging Tabular Foundation Models and Interpretable Machine Learning
von: Mueller, Andreas, et al.
Veröffentlicht: (2024)

Interpretable Mesomorphic Networks for Tabular Data
von: Kadra, Arlind, et al.
Veröffentlicht: (2023)

Interpretable Deep Clustering for Tabular Data
von: Svirsky, Jonathan, et al.
Veröffentlicht: (2023)

Reward Engineering for Spatial Epidemic Simulations: A Reinforcement Learning Platform for Individual Behavioral Learning
von: Rakhshandehroo, Radman, et al.
Veröffentlicht: (2025)

Basis Transformers for Multi-Task Tabular Regression
von: Loh, Wei Min, et al.
Veröffentlicht: (2025)

A General Graph Spectral Wavelet Convolution via Chebyshev Order Decomposition
von: Liu, Nian, et al.
Veröffentlicht: (2024)

Harmonic Path Integral Diffusion
von: Behjoo, Hamidreza, et al.
Veröffentlicht: (2024)

NCART: Neural Classification and Regression Tree for Tabular Data
von: Luo, Jiaqi, et al.
Veröffentlicht: (2023)

Interpretable Feature Interaction via Statistical Self-supervised Learning on Tabular Data
von: Zhang, Xiaochen, et al.
Veröffentlicht: (2025)

CARTGen-IR: Synthetic Tabular Data Generation for Imbalanced Regression
von: Pinheiro, António Pedro, et al.
Veröffentlicht: (2025)

Diffusion-nested Auto-Regressive Synthesis of Heterogeneous Tabular Data
von: Zhang, Hengrui, et al.
Veröffentlicht: (2024)

Chebyshev Spectral Neural Networks for Solving Partial Differential Equations
von: Yin, Pengsong, et al.
Veröffentlicht: (2024)

Interpretable Graph Neural Networks for Heterogeneous Tabular Data
von: Alkhatib, Amr, et al.
Veröffentlicht: (2024)

Towards Interpretable Deep Neural Networks for Tabular Data
von: Elhadri, Khawla, et al.
Veröffentlicht: (2025)

FIRE: Multi-fidelity Regression with Distribution-conditioned In-context Learning using Tabular Foundation Models
von: Yu, Rosen Ting-Ying, et al.
Veröffentlicht: (2026)

Robust Spectral Watermark for Synthetic Tabular Data
von: Zhao, Yizhou, et al.
Veröffentlicht: (2025)

Harmonic Loss Trains Interpretable AI Models
von: Baek, David D., et al.
Veröffentlicht: (2025)

Interpretable Graph Neural Networks for Tabular Data
von: Alkhatib, Amr, et al.
Veröffentlicht: (2023)

Benchmarking Tabular Foundation Models for Conditional Density Estimation in Regression
von: Izbicki, Rafael, et al.
Veröffentlicht: (2026)

Spectrally Transformed Kernel Regression
von: Zhai, Runtian, et al.
Veröffentlicht: (2024)

Attention Sinks Are Provably Necessary in Softmax Transformers: Evidence from Trigger-Conditional Tasks
von: Ran-Milo, Yuval
Veröffentlicht: (2026)

Outcome-Aware Spectral Feature Learning for Instrumental Variable Regression
von: Meunier, Dimitri, et al.
Veröffentlicht: (2025)

Demystifying Spectral Feature Learning for Instrumental Variable Regression
von: Meunier, Dimitri, et al.
Veröffentlicht: (2025)

ProtoNAM: Prototypical Neural Additive Models for Interpretable Deep Tabular Learning
von: Xiong, Guangzhi, et al.
Veröffentlicht: (2024)

Chebyshev Center-Based Direction Selection for Multi-Objective Optimization and Training PINNs
von: Yoon, Hoyeol, et al.
Veröffentlicht: (2026)

Interpretable Robotic Friction Learning via Symbolic Regression
von: Scholl, Philipp, et al.
Veröffentlicht: (2025)

Mixture Experts with Test-Time Self-Supervised Aggregation for Tabular Imbalanced Regression
von: Wang, Yung-Chien, et al.
Veröffentlicht: (2025)

XNNTab -- Interpretable Neural Networks for Tabular Data using Sparse Autoencoders
von: Elhadri, Khawla, et al.
Veröffentlicht: (2025)

Highly Imbalanced Regression with Tabular Data in SEP and Other Applications
von: Moukpe, Josias K., et al.
Veröffentlicht: (2025)

ProbSAINT: Probabilistic Tabular Regression for Used Car Pricing
von: Madhusudhanan, Kiran, et al.
Veröffentlicht: (2024)

Deep Learning within Tabular Data: Foundations, Challenges, Advances and Future Directions
von: Ren, Weijieying, et al.
Veröffentlicht: (2025)

DFORD: Directional Feedback based Online Ordinal Regression Learning
von: Manwani, Naresh, et al.
Veröffentlicht: (2025)