Buchumschlag

Safe RuleFit: Learning Optimal Sparse Rule Model by Meta Safe Screening

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kato, Hiroki, Hanada, Hiroyuki, Takeuchi, Ichiro
Format:	Preprint
Veröffentlicht:	2018
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Safe Distributionally Robust Feature Selection under Covariate Shift
von: Hanada, Hiroyuki, et al.
Veröffentlicht: (2026)

Distributionally Robust Safe Screening
von: Hanada, Hiroyuki, et al.
Veröffentlicht: (2024)

Safe Screening Rules for Group OWL Models
von: Bao, Runxue, et al.
Veröffentlicht: (2025)

Safe Screening Rules for Group SLOPE
von: Bao, Runxue, et al.
Veröffentlicht: (2025)

Conditional Latent Space Molecular Scaffold Optimization for Accelerated Molecular Design
von: Boyar, Onur, et al.
Veröffentlicht: (2024)

Distributionally Robust Safe Sample Elimination under Covariate Shift
von: Hanada, Hiroyuki, et al.
Veröffentlicht: (2024)

A Safe Screening Rule with Bi-level Optimization of $ν$ Support Vector Machine
von: Yang, Zhiji, et al.
Veröffentlicht: (2024)

Provable Traffic Rule Compliance in Safe Reinforcement Learning on the Open Sea
von: Krasowski, Hanna, et al.
Veröffentlicht: (2024)

Gap Safe Screening Rules for Fast Training of Robust Support Vector Machines under Feature Noise
von: Nguyen, Tan-Hau, et al.
Veröffentlicht: (2026)

TT-Sparse: Learning Sparse Rule Models with Differentiable Truth Tables
von: Soegeng, Hans Farrell, et al.
Veröffentlicht: (2026)

Strong Screening Rules for Group-based SLOPE Models
von: Feser, Fabio, et al.
Veröffentlicht: (2024)

The Hessian Screening Rule
von: Larsson, Johan, et al.
Veröffentlicht: (2021)

Learning Optimal Individualized Decision Rules with Conditional Demographic Parity
von: Cui, Wenhai, et al.
Veröffentlicht: (2026)

The Bayesian Learning Rule
von: Khan, Mohammad Emtiyaz, et al.
Veröffentlicht: (2021)

Fuzzy-UCS Revisited: Self-Adaptation of Rule Representations in Michigan-Style Learning Fuzzy-Classifier Systems
von: Shiraishi, Hiroki, et al.
Veröffentlicht: (2025)

The Strong Screening Rule for SLOPE
von: Larsson, Johan, et al.
Veröffentlicht: (2020)

A CMDP-within-online framework for Meta-Safe Reinforcement Learning
von: Khattar, Vanshaj, et al.
Veröffentlicht: (2024)

Transfer Learning for Classification under Decision Rule Drift with Application to Optimal Individualized Treatment Rule Estimation
von: Wang, Xiaohan, et al.
Veröffentlicht: (2025)

Distributionally Robust Active Learning for Gaussian Process Regression
von: Takeno, Shion, et al.
Veröffentlicht: (2025)

SafeDreamer: Safe Reinforcement Learning with World Models
von: Huang, Weidong, et al.
Veröffentlicht: (2023)

Optimal Transport Learning: Balancing Value Optimization and Fairness in Individualized Treatment Rules
von: Cui, Wenhai, et al.
Veröffentlicht: (2025)

Latent Space Bayesian Optimization with Latent Data Augmentation for Enhanced Exploration
von: Boyar, Onur, et al.
Veröffentlicht: (2023)

Statistical testing on generative AI anomaly detection tools in Alzheimer's Disease diagnosis
von: He, Rosemary, et al.
Veröffentlicht: (2024)

Conditional Sequence Modeling for Safe Reinforcement Learning
von: Bai, Wensong, et al.
Veröffentlicht: (2026)

Optimal Transport Perturbations for Safe Reinforcement Learning with Robustness Guarantees
von: Queeney, James, et al.
Veröffentlicht: (2023)

Look-Ahead Screening Rules for the Lasso
von: Larsson, Johan
Veröffentlicht: (2021)

Rule by Rule: Learning with Confidence through Vocabulary Expansion
von: Nössig, Albert, et al.
Veröffentlicht: (2024)

Differentially Private Iterative Screening Rules for Linear Regression
von: Khanna, Amol, et al.
Veröffentlicht: (2025)

PoSafeNet: Safe Learning with Poset-Structured Neural Nets
von: Wong, Kiwan, et al.
Veröffentlicht: (2026)

Safe In-Context Reinforcement Learning
von: Moeini, Amir, et al.
Veröffentlicht: (2025)

Counterfactually Safe Reinforcement Learning
von: Li, Jingyi, et al.
Veröffentlicht: (2026)

Learning Optimal Distributionally Robust Individualized Treatment Rules Integrating Multi-Source Data
von: Cui, Wenhai, et al.
Veröffentlicht: (2026)

Safe and Interpretable Estimation of Optimal Treatment Regimes
von: Parikh, Harsh, et al.
Veröffentlicht: (2023)

Scalable Rule Lists Learning with Sampling
von: Pellegrina, Leonardo, et al.
Veröffentlicht: (2024)

A Taxonomy of Recurrent Learning Rules
von: Martín-Sánchez, Guillermo, et al.
Veröffentlicht: (2022)

Provably Safe Model Updates
von: Elmecker-Plakolm, Leo, et al.
Veröffentlicht: (2025)

Safe Multi-Agent Navigation guided by Goal-Conditioned Safe Reinforcement Learning
von: Feng, Meng, et al.
Veröffentlicht: (2025)

SafeAdapt: Provably Safe Policy Updates in Deep Reinforcement Learning
von: Anisimov, Maksim, et al.
Veröffentlicht: (2026)

Implicit Safe Set Algorithm for Provably Safe Reinforcement Learning
von: Zhao, Weiye, et al.
Veröffentlicht: (2024)

From Uncertain to Safe: Conformal Fine-Tuning of Diffusion Models for Safe PDE Control
von: Hu, Peiyan, et al.
Veröffentlicht: (2025)