Articles de revues sur le sujet « Post-hoc interpretability »
Créez une référence correcte selon les styles APA, MLA, Chicago, Harvard et plusieurs autres
Consultez les 50 meilleurs articles de revues pour votre recherche sur le sujet « Post-hoc interpretability ».
À côté de chaque source dans la liste de références il y a un bouton « Ajouter à la bibliographie ». Cliquez sur ce bouton, et nous générerons automatiquement la référence bibliographique pour la source choisie selon votre style de citation préféré : APA, MLA, Harvard, Vancouver, Chicago, etc.
Vous pouvez aussi télécharger le texte intégral de la publication scolaire au format pdf et consulter son résumé en ligne lorsque ces informations sont inclues dans les métadonnées.
Parcourez les articles de revues sur diverses disciplines et organisez correctement votre bibliographie.
Feng, Jiangfan, Yukun Liang et Lin Li. « Anomaly Detection in Videos Using Two-Stream Autoencoder with Post Hoc Interpretability ». Computational Intelligence and Neuroscience 2021 (26 juillet 2021) : 1–15. http://dx.doi.org/10.1155/2021/7367870.
Texte intégralZhang, Zaixi, Qi Liu, Hao Wang, Chengqiang Lu et Cheekong Lee. « ProtGNN : Towards Self-Explaining Graph Neural Networks ». Proceedings of the AAAI Conference on Artificial Intelligence 36, no 8 (28 juin 2022) : 9127–35. http://dx.doi.org/10.1609/aaai.v36i8.20898.
Texte intégralXu, Qian, Wenzhao Xie, Bolin Liao, Chao Hu, Lu Qin, Zhengzijin Yang, Huan Xiong, Yi Lyu, Yue Zhou et 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 (3 février 2023) : 1–13. http://dx.doi.org/10.1155/2023/9919269.
Texte intégralGill, Navdeep, Patrick Hall, Kim Montgomery et Nicholas Schmidt. « A Responsible Machine Learning Workflow with Focus on Interpretable Models, Post-hoc Explanation, and Discrimination Testing ». Information 11, no 3 (29 février 2020) : 137. http://dx.doi.org/10.3390/info11030137.
Texte intégralMarconato, Emanuele, Andrea Passerini et Stefano Teso. « Interpretability Is in the Mind of the Beholder : A Causal Framework for Human-Interpretable Representation Learning ». Entropy 25, no 12 (22 novembre 2023) : 1574. http://dx.doi.org/10.3390/e25121574.
Texte intégralDegtiarova, 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, no 2 (23 décembre 2022) : 82–88. http://dx.doi.org/10.1556/1647.2022.00060.
Texte intégralLao, Danning, Qi Liu, Jiazi Bu, Junchi Yan et Wei Shen. « ViTree : Single-Path Neural Tree for Step-Wise Interpretable Fine-Grained Visual Categorization ». Proceedings of the AAAI Conference on Artificial Intelligence 38, no 3 (24 mars 2024) : 2866–73. http://dx.doi.org/10.1609/aaai.v38i3.28067.
Texte intégralJalali, Anahid, Alexander Schindler, Bernhard Haslhofer et Andreas Rauber. « Machine Learning Interpretability Techniques for Outage Prediction : A Comparative Study ». PHM Society European Conference 5, no 1 (22 juillet 2020) : 10. http://dx.doi.org/10.36001/phme.2020.v5i1.1244.
Texte intégralGarcía-Vicente, Clara, David Chushig-Muzo, Inmaculada Mora-Jiménez, Himar Fabelo, Inger Torhild Gram, Maja-Lisa Løchen, Conceição Granja et 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, no 7 (23 mars 2023) : 4119. http://dx.doi.org/10.3390/app13074119.
Texte intégralWang, 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, no 21 (24 mars 2024) : 23768–70. http://dx.doi.org/10.1609/aaai.v38i21.30559.
Texte intégralChatterjee, Soumick, Arnab Das, Chirag Mandal, Budhaditya Mukhopadhyay, Manish Vipinraj, Aniruddh Shukla, Rajatha Nagaraja Rao, Chompunuch Sarasaen, Oliver Speck et Andreas Nürnberger. « TorchEsegeta : Framework for Interpretability and Explainability of Image-Based Deep Learning Models ». Applied Sciences 12, no 4 (10 février 2022) : 1834. http://dx.doi.org/10.3390/app12041834.
Texte intégralMurdoch, W. James, Chandan Singh, Karl Kumbier, Reza Abbasi-Asl et Bin Yu. « Definitions, methods, and applications in interpretable machine learning ». Proceedings of the National Academy of Sciences 116, no 44 (16 octobre 2019) : 22071–80. http://dx.doi.org/10.1073/pnas.1900654116.
Texte intégralAslam, Nida, Irfan Ullah Khan, Samiha Mirza, Alanoud AlOwayed, Fatima M. Anis, Reef M. Aljuaid et Reham Baageel. « Interpretable Machine Learning Models for Malicious Domains Detection Using Explainable Artificial Intelligence (XAI) ». Sustainability 14, no 12 (16 juin 2022) : 7375. http://dx.doi.org/10.3390/su14127375.
Texte intégralRoscher, R., B. Bohn, M. F. Duarte et 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 (3 août 2020) : 817–24. http://dx.doi.org/10.5194/isprs-annals-v-3-2020-817-2020.
Texte intégralGuo, Jiaxing, Zhiyi Tang, Changxing Zhang, Wei Xu et Yonghong Wu. « An Interpretable Deep Learning Method for Identifying Extreme Events under Faulty Data Interference ». Applied Sciences 13, no 9 (4 mai 2023) : 5659. http://dx.doi.org/10.3390/app13095659.
Texte intégralOkajima, Yuzuru, et Kunihiko Sadamasa. « Deep Neural Networks Constrained by Decision Rules ». Proceedings of the AAAI Conference on Artificial Intelligence 33 (17 juillet 2019) : 2496–505. http://dx.doi.org/10.1609/aaai.v33i01.33012496.
Texte intégralQian, Wei, Chenxu Zhao, Yangyi Li, Fenglong Ma, Chao Zhang et Mengdi Huai. « Towards Modeling Uncertainties of Self-Explaining Neural Networks via Conformal Prediction ». Proceedings of the AAAI Conference on Artificial Intelligence 38, no 13 (24 mars 2024) : 14651–59. http://dx.doi.org/10.1609/aaai.v38i13.29382.
Texte intégralHuai, Mengdi, Jinduo Liu, Chenglin Miao, Liuyi Yao et Aidong Zhang. « Towards Automating Model Explanations with Certified Robustness Guarantees ». Proceedings of the AAAI Conference on Artificial Intelligence 36, no 6 (28 juin 2022) : 6935–43. http://dx.doi.org/10.1609/aaai.v36i6.20651.
Texte intégralXue, Mufan, Xinyu Wu, Jinlong Li, Xuesong Li et Guoyuan Yang. « A Convolutional Neural Network Interpretable Framework for Human Ventral Visual Pathway Representation ». Proceedings of the AAAI Conference on Artificial Intelligence 38, no 6 (24 mars 2024) : 6413–21. http://dx.doi.org/10.1609/aaai.v38i6.28461.
Texte intégralKumar, Akshi, Shubham Dikshit et Victor Hugo C. Albuquerque. « Explainable Artificial Intelligence for Sarcasm Detection in Dialogues ». Wireless Communications and Mobile Computing 2021 (2 juillet 2021) : 1–13. http://dx.doi.org/10.1155/2021/2939334.
Texte intégralFan, Yongxian, Meng Liu et Guicong Sun. « An interpretable machine learning framework for diagnosis and prognosis of COVID-19 ». PLOS ONE 18, no 9 (21 septembre 2023) : e0291961. http://dx.doi.org/10.1371/journal.pone.0291961.
Texte intégralShen, Yifan, Li Liu, Zhihao Tang, Zongyi Chen, Guixiang Ma, Jiyan Dong, Xi Zhang, Lin Yang et Qingfeng Zheng. « Explainable Survival Analysis with Convolution-Involved Vision Transformer ». Proceedings of the AAAI Conference on Artificial Intelligence 36, no 2 (28 juin 2022) : 2207–15. http://dx.doi.org/10.1609/aaai.v36i2.20118.
Texte intégralAlangari, Nourah, Mohamed El Bachir Menai, Hassan Mathkour et Ibrahim Almosallam. « Intrinsically Interpretable Gaussian Mixture Model ». Information 14, no 3 (3 mars 2023) : 164. http://dx.doi.org/10.3390/info14030164.
Texte intégralKong, Weihao, Jianping Chen et Pengfei Zhu. « Machine Learning-Based Uranium Prospectivity Mapping and Model Explainability Research ». Minerals 14, no 2 (24 janvier 2024) : 128. http://dx.doi.org/10.3390/min14020128.
Texte intégralChen, Qian, Taolin Zhang, Dongyang Li et Xiaofeng He. « CIDR : A Cooperative Integrated Dynamic Refining Method for Minimal Feature Removal Problem ». Proceedings of the AAAI Conference on Artificial Intelligence 38, no 16 (24 mars 2024) : 17763–71. http://dx.doi.org/10.1609/aaai.v38i16.29729.
Texte intégralCollazos-Huertas, Diego Fabian, Andrés Marino Álvarez-Meza, David Augusto Cárdenas-Peña, Germán Albeiro Castaño-Duque et César Germán Castellanos-Domínguez. « Posthoc Interpretability of Neural Responses by Grouping Subject Motor Imagery Skills Using CNN-Based Connectivity ». Sensors 23, no 5 (2 mars 2023) : 2750. http://dx.doi.org/10.3390/s23052750.
Texte intégralOlatunji, Iyiola E., Mandeep Rathee, Thorben Funke et Megha Khosla. « Private Graph Extraction via Feature Explanations ». Proceedings on Privacy Enhancing Technologies 2023, no 2 (avril 2023) : 59–78. http://dx.doi.org/10.56553/popets-2023-0041.
Texte intégralVieira, Carla Piazzon Ramos, et Luciano Antonio Digiampietri. « A study about Explainable Articial Intelligence : using decision tree to explain SVM ». Revista Brasileira de Computação Aplicada 12, no 1 (8 janvier 2020) : 113–21. http://dx.doi.org/10.5335/rbca.v12i1.10247.
Texte intégralMaree, Charl, et Christian W. Omlin. « Can Interpretable Reinforcement Learning Manage Prosperity Your Way ? » AI 3, no 2 (13 juin 2022) : 526–37. http://dx.doi.org/10.3390/ai3020030.
Texte intégralGu, Jindong. « Interpretable Graph Capsule Networks for Object Recognition ». Proceedings of the AAAI Conference on Artificial Intelligence 35, no 2 (18 mai 2021) : 1469–77. http://dx.doi.org/10.1609/aaai.v35i2.16237.
Texte intégralNguyen, Hung Viet, et Haewon Byeon. « Predicting Depression during the COVID-19 Pandemic Using Interpretable TabNet : A Case Study in South Korea ». Mathematics 11, no 14 (17 juillet 2023) : 3145. http://dx.doi.org/10.3390/math11143145.
Texte intégralTulsani, Vijya, Prashant Sahatiya, Jignasha Parmar et 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, no 9 (27 octobre 2023) : 181–86. http://dx.doi.org/10.17762/ijritcc.v11i9.8332.
Texte intégralZhong, Xian, Zohaib Salahuddin, Yi Chen, Henry C. Woodruff, Haiyi Long, Jianyun Peng, Xiaoyan Xie, Manxia Lin et 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, no 21 (6 novembre 2023) : 5303. http://dx.doi.org/10.3390/cancers15215303.
Texte intégralSingh, Rajeev Kumar, Rohan Gorantla, Sai Giridhar Rao Allada et Pratap Narra. « SkiNet : A deep learning framework for skin lesion diagnosis with uncertainty estimation and explainability ». PLOS ONE 17, no 10 (31 octobre 2022) : e0276836. http://dx.doi.org/10.1371/journal.pone.0276836.
Texte intégralArnold, Thomas, Daniel Kasenberg et Matthias Scheutz. « Explaining in Time ». ACM Transactions on Human-Robot Interaction 10, no 3 (juillet 2021) : 1–23. http://dx.doi.org/10.1145/3457183.
Texte intégralTursunalieva, Ainura, David L. J. Alexander, Rob Dunne, Jiaming Li, Luis Riera et Yanchang Zhao. « Making Sense of Machine Learning : A Review of Interpretation Techniques and Their Applications ». Applied Sciences 14, no 2 (5 janvier 2024) : 496. http://dx.doi.org/10.3390/app14020496.
Texte intégralMokhtari, Ayoub, Roberto Casale, Zohaib Salahuddin, Zelda Paquier, Thomas Guiot, Henry C. Woodruff, Philippe Lambin, Jean-Luc Van Laethem, Alain Hendlisz et Maria Antonietta Bali. « Development of Clinical Radiomics-Based Models to Predict Survival Outcome in Pancreatic Ductal Adenocarcinoma : A Multicenter Retrospective Study ». Diagnostics 14, no 7 (28 mars 2024) : 712. http://dx.doi.org/10.3390/diagnostics14070712.
Texte intégralXie, Yibing, Nichakorn Pongsakornsathien, Alessandro Gardi et Roberto Sabatini. « Explanation of Machine-Learning Solutions in Air-Traffic Management ». Aerospace 8, no 8 (12 août 2021) : 224. http://dx.doi.org/10.3390/aerospace8080224.
Texte intégralXie, Huafang, Lin Liu et 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, no 21 (24 octobre 2022) : 13833. http://dx.doi.org/10.3390/ijerph192113833.
Texte intégralTurbé, Hugues, Mina Bjelogrlic, Christian Lovis et Gianmarco Mengaldo. « Evaluation of post-hoc interpretability methods in time-series classification ». Nature Machine Intelligence, 13 mars 2023. http://dx.doi.org/10.1038/s42256-023-00620-w.
Texte intégralMadsen, Andreas, Siva Reddy et Sarath Chandar. « Post-hoc Interpretability for Neural NLP : A Survey ». ACM Computing Surveys, 9 juillet 2022. http://dx.doi.org/10.1145/3546577.
Texte intégralChen, Changdong, Allen Ding Tian et Ruochen Jiang. « When Post Hoc Explanation Knocks : Consumer Responses to Explainable AI Recommendations ». Journal of Interactive Marketing, 7 décembre 2023. http://dx.doi.org/10.1177/10949968231200221.
Texte intégralLuo, Zijing, Renguang Zuo, Yihui Xiong et Bao Zhou. « Metallogenic-Factor Variational Autoencoder for Geochemical Anomaly Detection by Ad-Hoc and Post-Hoc Interpretability Algorithms ». Natural Resources Research, 12 avril 2023. http://dx.doi.org/10.1007/s11053-023-10200-9.
Texte intégralMarton, Sascha, Stefan Lüdtke, Christian Bartelt, Andrej Tschalzev et Heiner Stuckenschmidt. « Explaining neural networks without access to training data ». Machine Learning, 10 janvier 2024. http://dx.doi.org/10.1007/s10994-023-06428-4.
Texte intégralYang, Fanfan, Renguang Zuo, Yihui Xiong, Ying Xu, Jiaxin Nie et Gubin Zhang. « Dual-Branch Convolutional Neural Network and Its Post Hoc Interpretability for Mapping Mineral Prospectivity ». Mathematical Geosciences, 22 mars 2024. http://dx.doi.org/10.1007/s11004-024-10137-6.
Texte intégralVelmurugan, Mythreyi, Chun Ouyang, Renuka Sindhgatta et Catarina Moreira. « Through the looking glass : evaluating post hoc explanations using transparent models ». International Journal of Data Science and Analytics, 12 septembre 2023. http://dx.doi.org/10.1007/s41060-023-00445-1.
Texte intégralBjörklund, Anton, Andreas Henelius, Emilia Oikarinen, Kimmo Kallonen et Kai Puolamäki. « Explaining any black box model using real data ». Frontiers in Computer Science 5 (8 août 2023). http://dx.doi.org/10.3389/fcomp.2023.1143904.
Texte intégralXiao, Li-Ming, Yun-Qi Wan et Zhen-Ran Jiang. « AttCRISPR : a spacetime interpretable model for prediction of sgRNA on-target activity ». BMC Bioinformatics 22, no 1 (décembre 2021). http://dx.doi.org/10.1186/s12859-021-04509-6.
Texte intégralS. S. Júnior, Jorge, Jérôme Mendes, Francisco Souza et Cristiano Premebida. « Survey on Deep Fuzzy Systems in Regression Applications : A View on Interpretability ». International Journal of Fuzzy Systems, 5 juin 2023. http://dx.doi.org/10.1007/s40815-023-01544-8.
Texte intégralTiwari, Devisha Arunadevi, et Bhaskar Mondal. « A Unified Framework for Cyber Oriented Digital Engineering using Integration of Explainable Chaotic Cryptology on Pervasive Systems ». Qeios, 3 mai 2024. http://dx.doi.org/10.32388/60nk7h.
Texte intégral