KI-Beratung Beta
Vor Ort
Merkzettel Warenkorb

Gutscheinbedingungen

**Gültig bis 09.11.2026 auf tolino shine color (4016621130473), tolino vision color (4016621130183) und tolino vision color weiß (4016621131456) online auf thalia.at, in der Thalia App und in allen Thalia Buchhandlungen in Österreich. In den Buchhandlungen nur gültig auf lagernde Ware. Pro Einkauf einmal einlösbar. Nur gültig gegen Vorlage oder im Onlineshop hinterlegter Bonuscard. Infos zur Einlösung in der Buchhandlung sind auf der Bonuscard-Vorteilspreisseite zu finden. Click & Collect nur bei Onlinevorabzahlung möglich. Keine Einlösung bei Scan & Go-Bezahlung. Keine Barauszahlung. Nicht kombinierbar mit anderen Aktionen und Gutscheinen. Nicht gültig für Geschenkkarten, Versandkosten und Services. Nur solange der Vorrat reicht.
Produktbild: Explainable Artificial Intelligence
Band 2153 - 12%

Explainable Artificial Intelligence Second World Conference, xAI 2024, Valletta, Malta, July 17–19, 2024, Proceedings, Part I

Aus der Reihe Communications in Computer and Information Science
12% sparen

76,99 € UVP 87,99 €

inkl. gesetzl. MwSt., Versandkostenfrei

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

10.07.2024

Abbildungen

XVII, 494 p. 143 illus., 137 illus. in color.

Herausgeber

Luca Longo + weitere

Verlag

Springer

Seitenzahl

494

Maße (L/B/H)

23,5/15,5/2,8 cm

Gewicht

768 g

Auflage

2024

Sprache

Englisch

ISBN

978-3-031-63786-5

Beschreibung

Produktdetails

Einband

Taschenbuch

Erscheinungsdatum

10.07.2024

Abbildungen

XVII, 494 p. 143 illus., 137 illus. in color.

Herausgeber

Verlag

Springer

Seitenzahl

494

Maße (L/B/H)

23,5/15,5/2,8 cm

Gewicht

768 g

Auflage

2024

Sprache

Englisch

ISBN

978-3-031-63786-5

Herstelleradresse

Springer-Verlag KG
Sachsenplatz 4-6
1201 Wien
AT

Email: ProductSafety@springernature.com

Noch keine Bewertungen vorhanden

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.

Kundinnen und Kunden meinen

Bewertungen (0)
  • Produktbild: Explainable Artificial Intelligence

  • .- Intrinsically interpretable XAI and concept-based global explainability.

    .- Seeking Interpretability and Explainability in Binary Activated Neural Networks.

    .- Prototype-based Interpretable Breast Cancer Prediction Models: Analysis and Challenges.

    .- Evaluating the Explainability of Attributes and Prototypes for a Medical Classification Model.

    .- Revisiting FunnyBirds evaluation framework for prototypical parts networks.

    .- CoProNN: Concept-based Prototypical Nearest Neighbors for Explaining Vision Models.

    .- Unveiling the Anatomy of Adversarial Attacks: Concept-based XAI Dissection of CNNs.

    .- AutoCL: AutoML for Concept Learning.

    .- Locally Testing Model Detections for Semantic Global Concepts.

    .- Knowledge graphs for empirical concept retrieval.

    .- Global Concept Explanations for Graphs by Contrastive Learning.

    .- Generative explainable AI and verifiability.

    .- Augmenting XAI with LLMs: A Case Study in Banking Marketing Recommendation.

    .- Generative Inpainting for Shapley-Value-Based Anomaly Explanation.

    .- Challenges and Opportunities in Text Generation Explainability.

    .- NoNE Found: Explaining the Output of Sequence-to-Sequence Models when No Named Entity is Recognized.

    .- Notion, metrics, evaluation and benchmarking for XAI.

    .- Benchmarking Trust: A Metric for Trustworthy Machine Learning.

    .- Beyond the Veil of Similarity: Quantifying Semantic Continuity in Explainable AI.

    .- Conditional Calibrated Explanations: Finding a Path between Bias and Uncertainty.

    .- Meta-evaluating stability measures: MAX-Sensitivity & AVG-Senstivity.

    .- Xpression: A unifying metric to evaluate Explainability and Compression of AI models.

    .- Evaluating Neighbor Explainability for Graph Neural Networks.

    .- A Fresh Look at Sanity Checks for Saliency Maps.

    .- Explainability, Quantified: Benchmarking XAI techniques.

    .- BEExAI: Benchmark to Evaluate Explainable AI.

    .- Associative Interpretability of Hidden Semantics with Contrastiveness Operators in Face Classification tasks.