Dossier de preuve de méthode

Explainable Gaussian Process

An Explainable Gaussian Process (XAI-GP) combines the probabilistic, uncertainty-aware predictions of a Gaussian Process model with systematic interpretability tools — such as SHAP values, kernel decomposition, or sensitivity analysis — so that every prediction comes with both a calibrated confidence interval and an auditable explanation of which inputs drove it.

Sources recorded, not reviewed

Dossier source

Citations copiées telles quelles du dossier source de la méthode. Aucune vérification au niveau de la revendication n'en est déduite.

Explainable Gaussian Process Regression and Classification

Dossier de méthode taxonomique · ml-model / machine-learning

Rasmussen, C. E., & Williams, C. K. I. (2006). Gaussian Processes for Machine Learning. MIT Press. · ISBN 978-0-262-18253-9
Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30. · URL

Ouvrir la méthode complète

Revendications organisées

Revendications enregistrées dans le registre de preuves, chacune avec sa propre évaluation.

Pas encore de revendications organisées

Cette vue n'invente pas d'évaluation de revendication lorsque le registre n'en contient aucune.

Méthodes apparentées

Généré à partir du graphe de méthodes et présenté comme des relations suggérées par la machine — aucune revendication de preuve n'est déduite.

Taxonomic bucketBayesian Gaussian Processmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketExplainable Gradient Boostingmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketExplainable Random Forestmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketGaussian Processmachine-suggested · Relational suggestion, not evidence.Taxonomic bucketRegularized Gaussian Processmachine-suggested · Relational suggestion, not evidence.