Buchumschlag

Improving Noise Robustness through Abstractions and its Impact on Machine Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ibias, Alfredo, Capala, Karol, Varma, Varun Ravi, Drozdz, Anna, Sousa, Jose
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

CACTUS: a Comprehensive Abstraction and Classification Tool for Uncovering Structures
von: Gherardini, Luca, et al.
Veröffentlicht: (2023)

Preservation of Feature Stability in Machine Learning Under Data Uncertainty for Decision Support in Critical Domains
von: Capała, Karol, et al.
Veröffentlicht: (2024)

Optimisation Is Not What You Need
von: Ibias, Alfredo
Veröffentlicht: (2025)

Knowledge Discovery using Unsupervised Cognition
von: Ibias, Alfredo, et al.
Veröffentlicht: (2024)

Unsupervised Cognition
von: Ibias, Alfredo, et al.
Veröffentlicht: (2024)

Beating Transformers using Synthetic Cognition
von: Ibias, Alfredo, et al.
Veröffentlicht: (2025)

Distributionally Robust Causal Abstractions
von: Felekis, Yorgos, et al.
Veröffentlicht: (2025)

Interval Abstractions for Robust Counterfactual Explanations
von: Jiang, Junqi, et al.
Veröffentlicht: (2024)

NoiseFormer -- Noise Diffused Symmetric Attention Transformer
von: Kumar, Phani, et al.
Veröffentlicht: (2026)

The Impact of Machine Learning Uncertainty on the Robustness of Counterfactual Explanations
von: Christodoulou, Leonidas, et al.
Veröffentlicht: (2026)

Quantum Tunneling-Aware Machine Learning: Physics-Derived Noise Models for Robust Deployment
von: Hwang, Uiwon, et al.
Veröffentlicht: (2026)

Contextual Pre-planning on Reward Machine Abstractions for Enhanced Transfer in Deep Reinforcement Learning
von: Azran, Guy, et al.
Veröffentlicht: (2023)

Contrastive Abstraction for Reinforcement Learning
von: Patil, Vihang, et al.
Veröffentlicht: (2024)

Understanding the Countably Infinite: Neural Network Models of the Successor Function and its Acquisition
von: Gupta, Vima, et al.
Veröffentlicht: (2023)

Relax: Composable Abstractions for End-to-End Dynamic Machine Learning
von: Lai, Ruihang, et al.
Veröffentlicht: (2023)

Scalable Decision-Making in Stochastic Environments through Learned Temporal Abstraction
von: Luo, Baiting, et al.
Veröffentlicht: (2025)

Constructing Optimal Noise Channels for Enhanced Robustness in Quantum Machine Learning
von: Winderl, David, et al.
Veröffentlicht: (2024)

Impact of Label Noise on Learning Complex Features
von: Vashisht, Rahul, et al.
Veröffentlicht: (2024)

SAP: Corrective Machine Unlearning with Scaled Activation Projection for Label Noise Robustness
von: Kodge, Sangamesh, et al.
Veröffentlicht: (2024)

Learning Markov State Abstractions for Deep Reinforcement Learning
von: Allen, Cameron, et al.
Veröffentlicht: (2021)

Improving Rule-based Reasoning in LLMs using Neurosymbolic Representations
von: Dhanraj, Varun, et al.
Veröffentlicht: (2025)

Abstraction for Offline Goal-Conditioned Reinforcement Learning
von: Wibault, Clarisse, et al.
Veröffentlicht: (2026)

Precise Verification of Transformers through ReLU-Catalyzed Abstraction Refinement
von: Liu, Hengjie, et al.
Veröffentlicht: (2026)

ARCLE: The Abstraction and Reasoning Corpus Learning Environment for Reinforcement Learning
von: Lee, Hosung, et al.
Veröffentlicht: (2024)

Hide and Seek in Noise Labels: Noise-Robust Collaborative Active Learning with LLM-Powered Assistance
von: Yuan, Bo, et al.
Veröffentlicht: (2025)

Predicting Solar Energy Generation with Machine Learning based on AQI and Weather Features
von: Shah, Arjun, et al.
Veröffentlicht: (2024)

Learning with Language-Guided State Abstractions
von: Peng, Andi, et al.
Veröffentlicht: (2024)

Context-Sensitive Abstractions for Reinforcement Learning with Parameterized Actions
von: Nayyar, Rashmeet Kaur, et al.
Veröffentlicht: (2025)

Causal Abstraction Learning based on the Semantic Embedding Principle
von: D'Acunto, Gabriele, et al.
Veröffentlicht: (2025)

Realizable Abstractions: Near-Optimal Hierarchical Reinforcement Learning
von: Cipollone, Roberto, et al.
Veröffentlicht: (2025)

Improving Dictionary Learning with Gated Sparse Autoencoders
von: Rajamanoharan, Senthooran, et al.
Veröffentlicht: (2024)

Neural Causal Abstractions
von: Xia, Kevin, et al.
Veröffentlicht: (2024)

Learning under Temporal Label Noise
von: Nagaraj, Sujay, et al.
Veröffentlicht: (2024)

Decoupled Hierarchical Reinforcement Learning with State Abstraction for Discrete Grids
von: Xiao, Qingyu, et al.
Veröffentlicht: (2025)

Learning with Expert Abstractions for Efficient Multi-Task Continuous Control
von: Jewett, Jeff, et al.
Veröffentlicht: (2025)

Parallel LLM Reasoning for Bias-Resilient, Robust Conceptual Abstraction
von: Adeseye, Aisvarya, et al.
Veröffentlicht: (2026)

On the Structural Limitations of Weight-Based Neural Adaptation and the Role of Reversible Behavioral Learning
von: Konduru, Pardhu Sri Rushi Varma
Veröffentlicht: (2026)

Efficient Exploration and Discriminative World Model Learning with an Object-Centric Abstraction
von: GX-Chen, Anthony, et al.
Veröffentlicht: (2024)

Learning World Models With Hierarchical Temporal Abstractions: A Probabilistic Perspective
von: Shaj, Vaisakh
Veröffentlicht: (2024)

On the Sample Efficiency of Abstractions and Potential-Based Reward Shaping in Reinforcement Learning
von: Canonaco, Giuseppe, et al.
Veröffentlicht: (2024)