Zeitschriftenartikel zum Thema „Post-hoc interpretability“
Geben Sie eine Quelle nach APA, MLA, Chicago, Harvard und anderen Zitierweisen an
Machen Sie sich mit Top-50 Zeitschriftenartikel für die Forschung zum Thema "Post-hoc interpretability" bekannt.
Neben jedem Werk im Literaturverzeichnis ist die Option "Zur Bibliographie hinzufügen" verfügbar. Nutzen Sie sie, wird Ihre bibliographische Angabe des gewählten Werkes nach der nötigen Zitierweise (APA, MLA, Harvard, Chicago, Vancouver usw.) automatisch gestaltet.
Sie können auch den vollen Text der wissenschaftlichen Publikation im PDF-Format herunterladen und eine Online-Annotation der Arbeit lesen, wenn die relevanten Parameter in den Metadaten verfügbar sind.
Sehen Sie die Zeitschriftenartikel für verschiedene Spezialgebieten durch und erstellen Sie Ihre Bibliographie auf korrekte Weise.
Feng, Jiangfan, Yukun Liang und Lin Li. „Anomaly Detection in Videos Using Two-Stream Autoencoder with Post Hoc Interpretability“. Computational Intelligence and Neuroscience 2021 (26.07.2021): 1–15. http://dx.doi.org/10.1155/2021/7367870.
Der volle Inhalt der QuelleZhang, Zaixi, Qi Liu, Hao Wang, Chengqiang Lu und Cheekong Lee. „ProtGNN: Towards Self-Explaining Graph Neural Networks“. Proceedings of the AAAI Conference on Artificial Intelligence 36, Nr. 8 (28.06.2022): 9127–35. http://dx.doi.org/10.1609/aaai.v36i8.20898.
Der volle Inhalt der QuelleXu, Qian, Wenzhao Xie, Bolin Liao, Chao Hu, Lu Qin, Zhengzijin Yang, Huan Xiong, Yi Lyu, Yue Zhou und Aijing Luo. „Interpretability of Clinical Decision Support Systems Based on Artificial Intelligence from Technological and Medical Perspective: A Systematic Review“. Journal of Healthcare Engineering 2023 (03.02.2023): 1–13. http://dx.doi.org/10.1155/2023/9919269.
Der volle Inhalt der QuelleGill, Navdeep, Patrick Hall, Kim Montgomery und Nicholas Schmidt. „A Responsible Machine Learning Workflow with Focus on Interpretable Models, Post-hoc Explanation, and Discrimination Testing“. Information 11, Nr. 3 (29.02.2020): 137. http://dx.doi.org/10.3390/info11030137.
Der volle Inhalt der QuelleMarconato, Emanuele, Andrea Passerini und Stefano Teso. „Interpretability Is in the Mind of the Beholder: A Causal Framework for Human-Interpretable Representation Learning“. Entropy 25, Nr. 12 (22.11.2023): 1574. http://dx.doi.org/10.3390/e25121574.
Der volle Inhalt der QuelleDegtiarova, Ganna, Fran Mikulicic, Jan Vontobel, Chrysoula Garefa, Lukas S. Keller, Reto Boehm, Domenico Ciancone et al. „Post-hoc motion correction for coronary computed tomography angiography without additional radiation dose - Improved image quality and interpretability for “free”“. Imaging 14, Nr. 2 (23.12.2022): 82–88. http://dx.doi.org/10.1556/1647.2022.00060.
Der volle Inhalt der QuelleLao, Danning, Qi Liu, Jiazi Bu, Junchi Yan und Wei Shen. „ViTree: Single-Path Neural Tree for Step-Wise Interpretable Fine-Grained Visual Categorization“. Proceedings of the AAAI Conference on Artificial Intelligence 38, Nr. 3 (24.03.2024): 2866–73. http://dx.doi.org/10.1609/aaai.v38i3.28067.
Der volle Inhalt der QuelleJalali, Anahid, Alexander Schindler, Bernhard Haslhofer und Andreas Rauber. „Machine Learning Interpretability Techniques for Outage Prediction: A Comparative Study“. PHM Society European Conference 5, Nr. 1 (22.07.2020): 10. http://dx.doi.org/10.36001/phme.2020.v5i1.1244.
Der volle Inhalt der QuelleGarcía-Vicente, Clara, David Chushig-Muzo, Inmaculada Mora-Jiménez, Himar Fabelo, Inger Torhild Gram, Maja-Lisa Løchen, Conceição Granja und Cristina Soguero-Ruiz. „Evaluation of Synthetic Categorical Data Generation Techniques for Predicting Cardiovascular Diseases and Post-Hoc Interpretability of the Risk Factors“. Applied Sciences 13, Nr. 7 (23.03.2023): 4119. http://dx.doi.org/10.3390/app13074119.
Der volle Inhalt der QuelleWang, Zhengguang. „Validation, Robustness, and Accuracy of Perturbation-Based Sensitivity Analysis Methods for Time-Series Deep Learning Models“. Proceedings of the AAAI Conference on Artificial Intelligence 38, Nr. 21 (24.03.2024): 23768–70. http://dx.doi.org/10.1609/aaai.v38i21.30559.
Der volle Inhalt der QuelleChatterjee, Soumick, Arnab Das, Chirag Mandal, Budhaditya Mukhopadhyay, Manish Vipinraj, Aniruddh Shukla, Rajatha Nagaraja Rao, Chompunuch Sarasaen, Oliver Speck und Andreas Nürnberger. „TorchEsegeta: Framework for Interpretability and Explainability of Image-Based Deep Learning Models“. Applied Sciences 12, Nr. 4 (10.02.2022): 1834. http://dx.doi.org/10.3390/app12041834.
Der volle Inhalt der QuelleMurdoch, W. James, Chandan Singh, Karl Kumbier, Reza Abbasi-Asl und Bin Yu. „Definitions, methods, and applications in interpretable machine learning“. Proceedings of the National Academy of Sciences 116, Nr. 44 (16.10.2019): 22071–80. http://dx.doi.org/10.1073/pnas.1900654116.
Der volle Inhalt der QuelleAslam, Nida, Irfan Ullah Khan, Samiha Mirza, Alanoud AlOwayed, Fatima M. Anis, Reef M. Aljuaid und Reham Baageel. „Interpretable Machine Learning Models for Malicious Domains Detection Using Explainable Artificial Intelligence (XAI)“. Sustainability 14, Nr. 12 (16.06.2022): 7375. http://dx.doi.org/10.3390/su14127375.
Der volle Inhalt der QuelleRoscher, R., B. Bohn, M. F. Duarte und J. Garcke. „EXPLAIN IT TO ME – FACING REMOTE SENSING CHALLENGES IN THE BIO- AND GEOSCIENCES WITH EXPLAINABLE MACHINE LEARNING“. ISPRS Annals of Photogrammetry, Remote Sensing and Spatial Information Sciences V-3-2020 (03.08.2020): 817–24. http://dx.doi.org/10.5194/isprs-annals-v-3-2020-817-2020.
Der volle Inhalt der QuelleGuo, Jiaxing, Zhiyi Tang, Changxing Zhang, Wei Xu und Yonghong Wu. „An Interpretable Deep Learning Method for Identifying Extreme Events under Faulty Data Interference“. Applied Sciences 13, Nr. 9 (04.05.2023): 5659. http://dx.doi.org/10.3390/app13095659.
Der volle Inhalt der QuelleOkajima, Yuzuru, und Kunihiko Sadamasa. „Deep Neural Networks Constrained by Decision Rules“. Proceedings of the AAAI Conference on Artificial Intelligence 33 (17.07.2019): 2496–505. http://dx.doi.org/10.1609/aaai.v33i01.33012496.
Der volle Inhalt der QuelleQian, Wei, Chenxu Zhao, Yangyi Li, Fenglong Ma, Chao Zhang und Mengdi Huai. „Towards Modeling Uncertainties of Self-Explaining Neural Networks via Conformal Prediction“. Proceedings of the AAAI Conference on Artificial Intelligence 38, Nr. 13 (24.03.2024): 14651–59. http://dx.doi.org/10.1609/aaai.v38i13.29382.
Der volle Inhalt der QuelleHuai, Mengdi, Jinduo Liu, Chenglin Miao, Liuyi Yao und Aidong Zhang. „Towards Automating Model Explanations with Certified Robustness Guarantees“. Proceedings of the AAAI Conference on Artificial Intelligence 36, Nr. 6 (28.06.2022): 6935–43. http://dx.doi.org/10.1609/aaai.v36i6.20651.
Der volle Inhalt der QuelleXue, Mufan, Xinyu Wu, Jinlong Li, Xuesong Li und Guoyuan Yang. „A Convolutional Neural Network Interpretable Framework for Human Ventral Visual Pathway Representation“. Proceedings of the AAAI Conference on Artificial Intelligence 38, Nr. 6 (24.03.2024): 6413–21. http://dx.doi.org/10.1609/aaai.v38i6.28461.
Der volle Inhalt der QuelleKumar, Akshi, Shubham Dikshit und Victor Hugo C. Albuquerque. „Explainable Artificial Intelligence for Sarcasm Detection in Dialogues“. Wireless Communications and Mobile Computing 2021 (02.07.2021): 1–13. http://dx.doi.org/10.1155/2021/2939334.
Der volle Inhalt der QuelleFan, Yongxian, Meng Liu und Guicong Sun. „An interpretable machine learning framework for diagnosis and prognosis of COVID-19“. PLOS ONE 18, Nr. 9 (21.09.2023): e0291961. http://dx.doi.org/10.1371/journal.pone.0291961.
Der volle Inhalt der QuelleShen, Yifan, Li Liu, Zhihao Tang, Zongyi Chen, Guixiang Ma, Jiyan Dong, Xi Zhang, Lin Yang und Qingfeng Zheng. „Explainable Survival Analysis with Convolution-Involved Vision Transformer“. Proceedings of the AAAI Conference on Artificial Intelligence 36, Nr. 2 (28.06.2022): 2207–15. http://dx.doi.org/10.1609/aaai.v36i2.20118.
Der volle Inhalt der QuelleAlangari, Nourah, Mohamed El Bachir Menai, Hassan Mathkour und Ibrahim Almosallam. „Intrinsically Interpretable Gaussian Mixture Model“. Information 14, Nr. 3 (03.03.2023): 164. http://dx.doi.org/10.3390/info14030164.
Der volle Inhalt der QuelleKong, Weihao, Jianping Chen und Pengfei Zhu. „Machine Learning-Based Uranium Prospectivity Mapping and Model Explainability Research“. Minerals 14, Nr. 2 (24.01.2024): 128. http://dx.doi.org/10.3390/min14020128.
Der volle Inhalt der QuelleChen, Qian, Taolin Zhang, Dongyang Li und Xiaofeng He. „CIDR: A Cooperative Integrated Dynamic Refining Method for Minimal Feature Removal Problem“. Proceedings of the AAAI Conference on Artificial Intelligence 38, Nr. 16 (24.03.2024): 17763–71. http://dx.doi.org/10.1609/aaai.v38i16.29729.
Der volle Inhalt der QuelleCollazos-Huertas, Diego Fabian, Andrés Marino Álvarez-Meza, David Augusto Cárdenas-Peña, Germán Albeiro Castaño-Duque und César Germán Castellanos-Domínguez. „Posthoc Interpretability of Neural Responses by Grouping Subject Motor Imagery Skills Using CNN-Based Connectivity“. Sensors 23, Nr. 5 (02.03.2023): 2750. http://dx.doi.org/10.3390/s23052750.
Der volle Inhalt der QuelleOlatunji, Iyiola E., Mandeep Rathee, Thorben Funke und Megha Khosla. „Private Graph Extraction via Feature Explanations“. Proceedings on Privacy Enhancing Technologies 2023, Nr. 2 (April 2023): 59–78. http://dx.doi.org/10.56553/popets-2023-0041.
Der volle Inhalt der QuelleVieira, Carla Piazzon Ramos, und Luciano Antonio Digiampietri. „A study about Explainable Articial Intelligence: using decision tree to explain SVM“. Revista Brasileira de Computação Aplicada 12, Nr. 1 (08.01.2020): 113–21. http://dx.doi.org/10.5335/rbca.v12i1.10247.
Der volle Inhalt der QuelleMaree, Charl, und Christian W. Omlin. „Can Interpretable Reinforcement Learning Manage Prosperity Your Way?“ AI 3, Nr. 2 (13.06.2022): 526–37. http://dx.doi.org/10.3390/ai3020030.
Der volle Inhalt der QuelleGu, Jindong. „Interpretable Graph Capsule Networks for Object Recognition“. Proceedings of the AAAI Conference on Artificial Intelligence 35, Nr. 2 (18.05.2021): 1469–77. http://dx.doi.org/10.1609/aaai.v35i2.16237.
Der volle Inhalt der QuelleNguyen, Hung Viet, und Haewon Byeon. „Predicting Depression during the COVID-19 Pandemic Using Interpretable TabNet: A Case Study in South Korea“. Mathematics 11, Nr. 14 (17.07.2023): 3145. http://dx.doi.org/10.3390/math11143145.
Der volle Inhalt der QuelleTulsani, Vijya, Prashant Sahatiya, Jignasha Parmar und Jayshree Parmar. „XAI Applications in Medical Imaging: A Survey of Methods and Challenges“. International Journal on Recent and Innovation Trends in Computing and Communication 11, Nr. 9 (27.10.2023): 181–86. http://dx.doi.org/10.17762/ijritcc.v11i9.8332.
Der volle Inhalt der QuelleZhong, Xian, Zohaib Salahuddin, Yi Chen, Henry C. Woodruff, Haiyi Long, Jianyun Peng, Xiaoyan Xie, Manxia Lin und Philippe Lambin. „An Interpretable Radiomics Model Based on Two-Dimensional Shear Wave Elastography for Predicting Symptomatic Post-Hepatectomy Liver Failure in Patients with Hepatocellular Carcinoma“. Cancers 15, Nr. 21 (06.11.2023): 5303. http://dx.doi.org/10.3390/cancers15215303.
Der volle Inhalt der QuelleSingh, Rajeev Kumar, Rohan Gorantla, Sai Giridhar Rao Allada und Pratap Narra. „SkiNet: A deep learning framework for skin lesion diagnosis with uncertainty estimation and explainability“. PLOS ONE 17, Nr. 10 (31.10.2022): e0276836. http://dx.doi.org/10.1371/journal.pone.0276836.
Der volle Inhalt der QuelleArnold, Thomas, Daniel Kasenberg und Matthias Scheutz. „Explaining in Time“. ACM Transactions on Human-Robot Interaction 10, Nr. 3 (Juli 2021): 1–23. http://dx.doi.org/10.1145/3457183.
Der volle Inhalt der QuelleTursunalieva, Ainura, David L. J. Alexander, Rob Dunne, Jiaming Li, Luis Riera und Yanchang Zhao. „Making Sense of Machine Learning: A Review of Interpretation Techniques and Their Applications“. Applied Sciences 14, Nr. 2 (05.01.2024): 496. http://dx.doi.org/10.3390/app14020496.
Der volle Inhalt der QuelleMokhtari, Ayoub, Roberto Casale, Zohaib Salahuddin, Zelda Paquier, Thomas Guiot, Henry C. Woodruff, Philippe Lambin, Jean-Luc Van Laethem, Alain Hendlisz und Maria Antonietta Bali. „Development of Clinical Radiomics-Based Models to Predict Survival Outcome in Pancreatic Ductal Adenocarcinoma: A Multicenter Retrospective Study“. Diagnostics 14, Nr. 7 (28.03.2024): 712. http://dx.doi.org/10.3390/diagnostics14070712.
Der volle Inhalt der QuelleXie, Yibing, Nichakorn Pongsakornsathien, Alessandro Gardi und Roberto Sabatini. „Explanation of Machine-Learning Solutions in Air-Traffic Management“. Aerospace 8, Nr. 8 (12.08.2021): 224. http://dx.doi.org/10.3390/aerospace8080224.
Der volle Inhalt der QuelleXie, Huafang, Lin Liu und Han Yue. „Modeling the Effect of Streetscape Environment on Crime Using Street View Images and Interpretable Machine-Learning Technique“. International Journal of Environmental Research and Public Health 19, Nr. 21 (24.10.2022): 13833. http://dx.doi.org/10.3390/ijerph192113833.
Der volle Inhalt der QuelleTurbé, Hugues, Mina Bjelogrlic, Christian Lovis und Gianmarco Mengaldo. „Evaluation of post-hoc interpretability methods in time-series classification“. Nature Machine Intelligence, 13.03.2023. http://dx.doi.org/10.1038/s42256-023-00620-w.
Der volle Inhalt der QuelleMadsen, Andreas, Siva Reddy und Sarath Chandar. „Post-hoc Interpretability for Neural NLP: A Survey“. ACM Computing Surveys, 09.07.2022. http://dx.doi.org/10.1145/3546577.
Der volle Inhalt der QuelleChen, Changdong, Allen Ding Tian und Ruochen Jiang. „When Post Hoc Explanation Knocks: Consumer Responses to Explainable AI Recommendations“. Journal of Interactive Marketing, 07.12.2023. http://dx.doi.org/10.1177/10949968231200221.
Der volle Inhalt der QuelleLuo, Zijing, Renguang Zuo, Yihui Xiong und Bao Zhou. „Metallogenic-Factor Variational Autoencoder for Geochemical Anomaly Detection by Ad-Hoc and Post-Hoc Interpretability Algorithms“. Natural Resources Research, 12.04.2023. http://dx.doi.org/10.1007/s11053-023-10200-9.
Der volle Inhalt der QuelleMarton, Sascha, Stefan Lüdtke, Christian Bartelt, Andrej Tschalzev und Heiner Stuckenschmidt. „Explaining neural networks without access to training data“. Machine Learning, 10.01.2024. http://dx.doi.org/10.1007/s10994-023-06428-4.
Der volle Inhalt der QuelleYang, Fanfan, Renguang Zuo, Yihui Xiong, Ying Xu, Jiaxin Nie und Gubin Zhang. „Dual-Branch Convolutional Neural Network and Its Post Hoc Interpretability for Mapping Mineral Prospectivity“. Mathematical Geosciences, 22.03.2024. http://dx.doi.org/10.1007/s11004-024-10137-6.
Der volle Inhalt der QuelleVelmurugan, Mythreyi, Chun Ouyang, Renuka Sindhgatta und Catarina Moreira. „Through the looking glass: evaluating post hoc explanations using transparent models“. International Journal of Data Science and Analytics, 12.09.2023. http://dx.doi.org/10.1007/s41060-023-00445-1.
Der volle Inhalt der QuelleBjörklund, Anton, Andreas Henelius, Emilia Oikarinen, Kimmo Kallonen und Kai Puolamäki. „Explaining any black box model using real data“. Frontiers in Computer Science 5 (08.08.2023). http://dx.doi.org/10.3389/fcomp.2023.1143904.
Der volle Inhalt der QuelleXiao, Li-Ming, Yun-Qi Wan und Zhen-Ran Jiang. „AttCRISPR: a spacetime interpretable model for prediction of sgRNA on-target activity“. BMC Bioinformatics 22, Nr. 1 (Dezember 2021). http://dx.doi.org/10.1186/s12859-021-04509-6.
Der volle Inhalt der QuelleS. S. Júnior, Jorge, Jérôme Mendes, Francisco Souza und Cristiano Premebida. „Survey on Deep Fuzzy Systems in Regression Applications: A View on Interpretability“. International Journal of Fuzzy Systems, 05.06.2023. http://dx.doi.org/10.1007/s40815-023-01544-8.
Der volle Inhalt der QuelleTiwari, Devisha Arunadevi, und Bhaskar Mondal. „A Unified Framework for Cyber Oriented Digital Engineering using Integration of Explainable Chaotic Cryptology on Pervasive Systems“. Qeios, 03.05.2024. http://dx.doi.org/10.32388/60nk7h.
Der volle Inhalt der Quelle