Buchumschlag

Squeezing Lemons with Hammers: An Evaluation of AutoML and Tabular Deep Learning for Data-Scarce Classification Applications

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Knauer, Ricardo, Rodner, Erik
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

PMLBmini: A Tabular Classification Benchmark Suite for Data-Scarce Applications
von: Knauer, Ricardo, et al.
Veröffentlicht: (2024)

In Search of Grandmother Cells: Tracing Interpretable Neurons in Tabular Representations
von: Knauer, Ricardo, et al.
Veröffentlicht: (2026)

ConceptTracer: Interactive Analysis of Concept Saliency and Selectivity in Neural Representations
von: Knauer, Ricardo, et al.
Veröffentlicht: (2026)

AutoML-Med: A Framework for Automated Machine Learning in Medical Tabular Data
von: Francia, Riccardo, et al.
Veröffentlicht: (2025)

TabRepo: A Large Scale Repository of Tabular Model Evaluations and its AutoML Applications
von: Salinas, David, et al.
Veröffentlicht: (2023)

Robustness of AutoML on Dirty Categorical Data
von: Bueno, Marcos L. P., et al.
Veröffentlicht: (2026)

Problem-oriented AutoML in Clustering
von: da Silva, Matheus Camilo, et al.
Veröffentlicht: (2024)

Embedding World Knowledge into Tabular Models: Towards Best Practices for Embedding Pipeline Design
von: Kolomenko, Oksana, et al.
Veröffentlicht: (2026)

Pre-Hoc Predictions in AutoML: Leveraging LLMs to Enhance Model Selection and Benchmarking for Tabular datasets
von: Belkhiter, Yannis, et al.
Veröffentlicht: (2025)

Data Pipeline Training: Integrating AutoML to Optimize the Data Flow of Machine Learning Models
von: Wu, Jiang, et al.
Veröffentlicht: (2024)

Hyperparameter Importance Analysis for Multi-Objective AutoML
von: Theodorakopoulos, Daphne, et al.
Veröffentlicht: (2024)

Exploring the impact of fairness-aware criteria in AutoML
von: Simões, Joana, et al.
Veröffentlicht: (2026)

AutoML-Agent: A Multi-Agent LLM Framework for Full-Pipeline AutoML
von: Trirat, Patara, et al.
Veröffentlicht: (2024)

AutoGluon-Multimodal (AutoMM): Supercharging Multimodal AutoML with Foundation Models
von: Tang, Zhiqiang, et al.
Veröffentlicht: (2024)

Budget-aware Query Tuning: An AutoML Perspective
von: Wu, Wentao, et al.
Veröffentlicht: (2024)

Deciphering AutoML Ensembles: cattleia's Assistance in Decision-Making
von: Kozak, Anna, et al.
Veröffentlicht: (2024)

In-Context Decision Making for Optimizing Complex AutoML Pipelines
von: Balef, Amir Rezaei, et al.
Veröffentlicht: (2025)

AutoML for Multi-Class Anomaly Compensation of Sensor Drift
von: Schaller, Melanie, et al.
Veröffentlicht: (2025)

Auto-Unrolled Proximal Gradient Descent: An AutoML Approach to Interpretable Waveform Optimization
von: Kaplan, Ahmet
Veröffentlicht: (2026)

Towards Leveraging AutoML for Sustainable Deep Learning: A Multi-Objective HPO Approach on Deep Shift Neural Networks
von: Hennig, Leona, et al.
Veröffentlicht: (2024)

Extreme AutoML: Analysis of Classification, Regression, and NLP Performance
von: Ratner, Edward, et al.
Veröffentlicht: (2024)

Auto-ADMET: An Effective and Interpretable AutoML Method for Chemical ADMET Property Prediction
von: de Sá, Alex G. C., et al.
Veröffentlicht: (2025)

A Meta-Level Learning Algorithm for Sequential Hyper-Parameter Space Reduction in AutoML
von: Borboudakis, Giorgos, et al.
Veröffentlicht: (2023)

NNGPT: Rethinking AutoML with Large Language Models
von: Kochnev, Roman, et al.
Veröffentlicht: (2025)

Integrating Hyperparameter Search into Model-Free AutoML with Context-Free Grammars
von: Vázquez, Hernán Ceferino, et al.
Veröffentlicht: (2024)

Confidence Interval Estimation of Predictive Performance in the Context of AutoML
von: Paraschakis, Konstantinos, et al.
Veröffentlicht: (2024)

A Reproducible Log-Driven AutoML Framework for Interpretable Pipeline Optimization in Healthcare Risk Prediction
von: Huang, Rui, et al.
Veröffentlicht: (2026)

Bag of Tricks for Multimodal AutoML with Image, Text, and Tabular Data
von: Tang, Zhiqiang, et al.
Veröffentlicht: (2024)

LEMUR Neural Network Dataset: Towards Seamless AutoML
von: Goodarzi, Arash Torabi, et al.
Veröffentlicht: (2025)

AMQ: Enabling AutoML for Mixed-precision Weight-Only Quantization of Large Language Models
von: Lee, Sangjun, et al.
Veröffentlicht: (2025)

LightAutoDS-Tab: Multi-AutoML Agentic System for Tabular Data
von: Lapin, Aleksey, et al.
Veröffentlicht: (2025)

UniAutoML: A Human-Centered Framework for Unified Discriminative and Generative AutoML with Large Language Models
von: Guo, Jiayi, et al.
Veröffentlicht: (2024)

Predicting delays in Indian lower courts using AutoML and Decision Forests
von: Bhatnagar, Mohit, et al.
Veröffentlicht: (2023)

Artificial Inductive Bias for Synthetic Tabular Data Generation in Data-Scarce Scenarios
von: Apellániz, Patricia A., et al.
Veröffentlicht: (2024)

"Oh LLM, I'm Asking Thee, Please Give Me a Decision Tree": Zero-Shot Decision Tree Induction and Embedding with Large Language Models
von: Knauer, Ricardo, et al.
Veröffentlicht: (2024)

An Explainable Gaussian Process Auto-encoder for Tabular Data
von: Zhang, Wei, et al.
Veröffentlicht: (2025)

LLM Embeddings for Deep Learning on Tabular Data
von: Koloski, Boshko, et al.
Veröffentlicht: (2025)

AI-based Classification of Customer Support Tickets: State of the Art and Implementation with AutoML
von: Truss, Mario, et al.
Veröffentlicht: (2024)

Tabular Data: Is Deep Learning all you need?
von: Zabërgja, Guri, et al.
Veröffentlicht: (2024)

Deep Learning with Tabular Data: A Self-supervised Approach
von: Vyas, Tirth Kiranbhai
Veröffentlicht: (2024)