Copertina

An Expanded Benchmark that Rediscovers and Affirms the Edge of Uncertainty Sampling for Active Learning in Tabular Datasets

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Lu, Po-Yi, Cheng, Yi-Jie, Li, Chun-Liang, Lin, Hsuan-Tien
Natura:	Preprint
Pubblicazione:	2023
Soggetti:	Machine Learning
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

Tackling Dimensional Collapse toward Comprehensive Universal Domain Adaptation
di: Fang, Hung-Chieh, et al.
Pubblicazione: (2024)

TabFSBench: Tabular Benchmark for Feature Shifts in Open Environments
di: Cheng, Zi-Jian, et al.
Pubblicazione: (2025)

Calibrated Uncertainty Sampling for Active Learning
di: Bui, Ha Manh, et al.
Pubblicazione: (2025)

CLImage: Human-Annotated Datasets for Complementary-Label Learning
di: Wang, Hsiu-Hsuan, et al.
Pubblicazione: (2023)

Deep Intrinsic Coregionalization Multi-Output Gaussian Process Surrogate with Active Learning
di: Chang, Chun-Yi, et al.
Pubblicazione: (2025)

Expanding the Role of Diffusion Models for Robust Classifier Training
di: Huang, Pin-Han, et al.
Pubblicazione: (2026)

ALPBench: A Benchmark for Active Learning Pipelines on Tabular Data
di: Margraf, Valentin, et al.
Pubblicazione: (2024)

LAUD: Integrating Large Language Models with Active Learning for Unlabeled Data
di: Chou, Tzu-Hsuan, et al.
Pubblicazione: (2025)

TabularMark: Watermarking Tabular Datasets for Machine Learning
di: Zheng, Yihao, et al.
Pubblicazione: (2024)

High Performance, Low Reliability: Uncertainty Benchmarking for Tabular Foundation Models
di: Costa, José Lucas De Melo, et al.
Pubblicazione: (2026)

Active In-Context Learning for Tabular Foundation Models
di: Treerath, Wilailuck, et al.
Pubblicazione: (2026)

BoostLLM: Boosting-inspired LLM Fine-tuning for Few-shot Tabular Classification
di: Wang, Yi-Siang, et al.
Pubblicazione: (2026)

A Comprehensive Benchmark of Machine and Deep Learning Across Diverse Tabular Datasets
di: Shmuel, Assaf, et al.
Pubblicazione: (2024)

On Learning Representations for Tabular Data Distillation
di: Kang, Inwon, et al.
Pubblicazione: (2025)

Evaluating Synthetic Tabular Data Generated To Augment Small Sample Datasets
di: Marin, Javier
Pubblicazione: (2022)

MacrOData: New Benchmarks of Thousands of Datasets for Tabular Outlier Detection
di: Ding, Xueying, et al.
Pubblicazione: (2026)

Arithmetic Feature Interaction Is Necessary for Deep Tabular Learning
di: Cheng, Yi, et al.
Pubblicazione: (2024)

Agnostic Active Learning of Single Index Models with Linear Sample Complexity
di: Gajjar, Aarshvi, et al.
Pubblicazione: (2024)

Unveiling the Role of Data Uncertainty in Tabular Deep Learning
di: Kartashev, Nikolay, et al.
Pubblicazione: (2025)

One-shot Active Learning Based on Lewis Weight Sampling for Multiple Deep Models
di: Huang, Sheng-Jun, et al.
Pubblicazione: (2024)

Shared-unique Features and Task-aware Prioritized Sampling on Multi-task Reinforcement Learning
di: Lin, Po-Shao, et al.
Pubblicazione: (2024)

Risk In Context: Benchmarking Privacy Leakage of Foundation Models in Synthetic Tabular Data Generation
di: Byun, Jessup, et al.
Pubblicazione: (2025)

STRABLE: Benchmarking Tabular Machine Learning with Strings
di: Blayer, Gioia, et al.
Pubblicazione: (2026)

Benchmarking Optimizers for MLPs in Tabular Deep Learning
di: Gorishniy, Yury, et al.
Pubblicazione: (2026)

SG-XDEAT: Sparsity-Guided Cross-Dimensional and Cross-Encoding Attention with Target-Aware Conditioning in Tabular Learning
di: Cheng, Chih-Chuan, et al.
Pubblicazione: (2025)

ICLAD: In-Context Learning for Unified Tabular Anomaly Detection Across Supervision Regimes
di: Wei, Jack Yi, et al.
Pubblicazione: (2026)

Sample-Efficient Tabular Self-Play for Offline Robust Reinforcement Learning
di: Li, Na, et al.
Pubblicazione: (2025)

Intra-Cluster Mixup: An Effective Data Augmentation Technique for Complementary-Label Learning
di: Mai, Tan-Ha, et al.
Pubblicazione: (2025)

Soft Separation and Distillation: Toward Global Uniformity in Federated Unsupervised Learning
di: Fang, Hung-Chieh, et al.
Pubblicazione: (2025)

Equally Critical: Samples, Targets, and Their Mappings in Datasets
di: Yang, Runkang, et al.
Pubblicazione: (2025)

Uncertainty-Guided Model Selection for Tabular Foundation Models in Biomolecule Efficacy Prediction
di: Li, Jie, et al.
Pubblicazione: (2025)

TabularBench: Benchmarking Adversarial Robustness for Tabular Deep Learning in Real-world Use-cases
di: Simonetto, Thibault, et al.
Pubblicazione: (2024)

Finite-Sample Analysis of Elimination in Active Hypothesis Testing
di: Lin, Ziyuan, et al.
Pubblicazione: (2026)

A Closer Look at Deep Learning Methods on Tabular Datasets
di: Ye, Han-Jia, et al.
Pubblicazione: (2024)

Uncertainty for Active Learning on Graphs
di: Fuchsgruber, Dominik, et al.
Pubblicazione: (2024)

CLIMB: Class-imbalanced Learning Benchmark on Tabular Data
di: Liu, Zhining, et al.
Pubblicazione: (2025)

LLM Meeting Decision Trees on Tabular Data
di: Ye, Hangting, et al.
Pubblicazione: (2025)

MAX: Masked Autoencoder for X-ray Fluorescence in Geological Investigation
di: Lee, An-Sheng, et al.
Pubblicazione: (2024)

CompressedMediQ: Hybrid Quantum Machine Learning Pipeline for High-Dimensional Neuroimaging Data
di: Chen, Kuan-Cheng, et al.
Pubblicazione: (2024)

On the Uncertainty Quantification Ability of Tabular Foundation Models
di: Johnson, Tyler R., et al.
Pubblicazione: (2026)