Buchumschlag

Quantifying Local Model Validity using Active Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lämmle, Sven, Bogoclu, Can, Voßhall, Robert, Haselhoff, Anselm, Roos, Dirk
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Deep Gaussian Covariance Network with Trajectory Sampling for Data-Efficient Policy Search
von: Bogoclu, Can, et al.
Veröffentlicht: (2024)

Intelligent Optimization and Machine Learning Algorithms for Structural Anomaly Detection using Seismic Signals
von: Trapp, Maximilian, et al.
Veröffentlicht: (2024)

The Gaussian Discriminant Variational Autoencoder (GdVAE): A Self-Explainable Model with Counterfactual Explanations
von: Haselhoff, Anselm, et al.
Veröffentlicht: (2024)

Quantifying Policy Administration Cost in an Active Learning Framework
von: Zhang, Si, et al.
Veröffentlicht: (2023)

Targeting Negative Flips in Active Learning using Validation Sets
von: Benkert, Ryan, et al.
Veröffentlicht: (2024)

RANA: Robust Active Learning for Noisy Network Alignment
von: Nan, Yixuan, et al.
Veröffentlicht: (2025)

Efficient Active Learning with Abstention
von: Zhu, Yinglun, et al.
Veröffentlicht: (2022)

Can We Theoretically Quantify the Impacts of Local Updates on the Generalization Performance of Federated Learning?
von: Ju, Peizhong, et al.
Veröffentlicht: (2024)

LPGD: A General Framework for Backpropagation through Embedded Optimization Layers
von: Paulus, Anselm, et al.
Veröffentlicht: (2024)

Sycophantic Anchors: Localizing and Quantifying User Agreement in Reasoning Models
von: Duszenko, Jacek
Veröffentlicht: (2026)

Plug-and-Play Physics-informed Learning using Uncertainty Quantified Port-Hamiltonian Models
von: Tan, Kaiyuan, et al.
Veröffentlicht: (2025)

LEMUR: Learned Multi-Vector Retrieval
von: Jääsaari, Elias, et al.
Veröffentlicht: (2026)

CombOptNet: Fit the Right NP-Hard Problem by Learning Integer Programming Constraints
von: Paulus, Anselm, et al.
Veröffentlicht: (2021)

Quantifying Correlations of Machine Learning Models
von: Li, Yuanyuan, et al.
Veröffentlicht: (2025)

Active Learning with Neural Networks: Insights from Nonparametric Statistics
von: Zhu, Yinglun, et al.
Veröffentlicht: (2022)

Novel Pivoted Cholesky Decompositions for Efficient Gaussian Process Inference
von: de Roos, Filip, et al.
Veröffentlicht: (2025)

A CNN-LSTM Quantifier for Single Access Point CSI Indoor Localization
von: Hoang, Minh Tu, et al.
Veröffentlicht: (2020)

ERICA: Quantifying Replicability of Cluster Analysis
von: Sorooshyari, Siamak K., et al.
Veröffentlicht: (2026)

Training Gradient Boosted Decision Trees on Tabular Data Containing Label Noise for Classification Tasks
von: Eisenbürger, Anita, et al.
Veröffentlicht: (2024)

SCALAR: Quantifying Structural Hallucination, Consistency, and Reasoning Gaps in Materials Foundation Models
von: Polat, Can, et al.
Veröffentlicht: (2026)

Post-ADC Inference: Valid Inference After Active Data Collection
von: Nishino, Shuichi, et al.
Veröffentlicht: (2026)

Quantifying Representation Reliability in Self-Supervised Learning Models
von: Park, Young-Jin, et al.
Veröffentlicht: (2023)

Model-Free Active Exploration in Reinforcement Learning
von: Russo, Alessio, et al.
Veröffentlicht: (2024)

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

Quantifying Distribution Shifts and Uncertainties for Enhanced Model Robustness in Machine Learning Applications
von: Flovik, Vegard
Veröffentlicht: (2024)

Batch Active Learning in Gaussian Process Regression using Derivatives
von: Yu, Hon Sum Alec, et al.
Veröffentlicht: (2024)

Falcon: Fair Active Learning using Multi-armed Bandits
von: Tae, Ki Hyun, et al.
Veröffentlicht: (2024)

LoRANN: Low-Rank Matrix Factorization for Approximate Nearest Neighbor Search
von: Jääsaari, Elias, et al.
Veröffentlicht: (2024)

Robust Transfer Learning for Active Level Set Estimation with Locally Adaptive Gaussian Process Prior
von: Ngo, Giang, et al.
Veröffentlicht: (2024)

Quantifying the Sensitivity of Inverse Reinforcement Learning to Misspecification
von: Skalse, Joar, et al.
Veröffentlicht: (2024)

UMLoc: Uncertainty-Aware Map-Constrained Inertial Localization with Quantified Bounds
von: Alharbi, Mohammed S., et al.
Veröffentlicht: (2026)

Quantifying Data Similarity Using Cross Learning
von: Sun, Shudong, et al.
Veröffentlicht: (2025)

Quantifying the Prediction Uncertainty of Machine Learning Models for Individual Data
von: Bibas, Koby
Veröffentlicht: (2024)

Federated Learning on Virtual Heterogeneous Data with Local-global Distillation
von: Huang, Chun-Yin, et al.
Veröffentlicht: (2023)

Formal Models of Active Learning from Contrastive Examples
von: Mansouri, Farnam, et al.
Veröffentlicht: (2025)

Active Learning of Model Discrepancy with Bayesian Experimental Design
von: Yang, Huchen, et al.
Veröffentlicht: (2025)

Quantifying Error Propagation and Model Collapse in Diffusion Models
von: Khelifa, Nail B., et al.
Veröffentlicht: (2026)

Model-Change Active Learning in Graph-Based Semi-Supervised Learning
von: Miller, Kevin, et al.
Veröffentlicht: (2021)

Quantifying Generalisation in Imitation Learning
von: Gavenski, Nathan, et al.
Veröffentlicht: (2025)

Valid Error Bars for Neural Weather Models using Conformal Prediction
von: Gopakumar, Vignesh, et al.
Veröffentlicht: (2024)