Buchumschlag

Adapting to Shifting Correlations with Unlabeled Data Calibration

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Nguyen, Minh, Wang, Alan Q., Kim, Heejong, Sabuncu, Mert R.
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

Knockout: A simple way to handle missing inputs
von: Nguyen, Minh, et al.
Veröffentlicht: (2024)

Efficient Identification of Direct Causal Parents via Invariance and Minimum Error Testing
von: Nguyen, Minh, et al.
Veröffentlicht: (2024)

A Framework for Interpretability in Machine Learning for Medical Imaging
von: Wang, Alan Q., et al.
Veröffentlicht: (2023)

GLACIAL: Granger and Learning-based Causality Analysis for Longitudinal Imaging Studies
von: Nguyen, Minh, et al.
Veröffentlicht: (2022)

Assessing the significance of longitudinal data in Alzheimer's Disease forecasting
von: Karaman, Batuhan K., et al.
Veröffentlicht: (2024)

AI-Based Detection of Temporal Changes in MR-Linac Images Acquired During Routine Prostate Radiotherapy
von: Park, Seungbin, et al.
Veröffentlicht: (2026)

BrainMorph: A Foundational Keypoint Model for Robust and Flexible Brain MRI Registration
von: Wang, Alan Q., et al.
Veröffentlicht: (2024)

UniAdapt: A Universal Adapter for Knowledge Calibration
von: Nguyen, Tai D., et al.
Veröffentlicht: (2024)

Patchwork Learning: A Paradigm Towards Integrative Analysis across Diverse Biomedical Data Sources
von: Rajendran, Suraj, et al.
Veröffentlicht: (2023)

On Leveraging Unlabeled Data for Concurrent Positive-Unlabeled Classification and Robust Generation
von: Yu, Bing, et al.
Veröffentlicht: (2020)

Non-exchangeable Conformal Prediction with Optimal Transport: Tackling Distribution Shifts with Unlabeled Data
von: Correia, Alvaro H. C., et al.
Veröffentlicht: (2025)

Calibration of Time-Series Forecasting: Detecting and Adapting Context-Driven Distribution Shift
von: Chen, Mouxiang, et al.
Veröffentlicht: (2023)

Network-Aware Bilinear Tokenization for Brain Functional Connectivity Representation Learning
von: Milecki, Leo, et al.
Veröffentlicht: (2026)

Inconsistency-Aware Minimization: Improving Generalization with Unlabeled Data
von: Kim, Hee-Sung, et al.
Veröffentlicht: (2026)

Beyond Grid-Locked Voxels: Neural Response Functions for Continuous Brain Encoding
von: Chen, Haomiao, et al.
Veröffentlicht: (2025)

Deep Positive-Unlabeled Anomaly Detection for Contaminated Unlabeled Data
von: Takahashi, Hiroshi, et al.
Veröffentlicht: (2024)

Proper Learnability and the Role of Unlabeled Data
von: Asilis, Julian, et al.
Veröffentlicht: (2025)

Augmenting Offline RL with Unlabeled Data
von: Wang, Zhao, et al.
Veröffentlicht: (2024)

PUAL: A Classifier on Trifurcate Positive-Unlabeled Data
von: Wang, Xiaoke, et al.
Veröffentlicht: (2024)

Collaborative Unlabeled Data Optimization
von: Shang, Xinyi, et al.
Veröffentlicht: (2025)

Information-Preserving Domain Transfer with Unlabeled Data in Misspecified Simulation-Based Inference
von: Jang, Joon, et al.
Veröffentlicht: (2026)

Offline Reinforcement Learning with Domain-Unlabeled Data
von: Nishimori, Soichiro, et al.
Veröffentlicht: (2024)

Heterogeneous Domain Adaptation with Positive and Unlabeled Data
von: Mori, Junki, et al.
Veröffentlicht: (2023)

Out-Of-Domain Unlabeled Data Improves Generalization
von: Saberi, Amir Hossein, et al.
Veröffentlicht: (2023)

Sample-Optimal Agnostic Boosting with Unlabeled Data
von: Ghai, Udaya, et al.
Veröffentlicht: (2025)

Learning from Uncertain Similarity and Unlabeled Data
von: Wei, Meng, et al.
Veröffentlicht: (2025)

Coupled Training with Privileged Information and Unlabeled Data
von: Shi, Jiahao, et al.
Veröffentlicht: (2026)

AI-assisted workflow enables rapid, high-fidelity breast cancer clinical trial eligibility prescreening
von: Rosenthal, Jacob T., et al.
Veröffentlicht: (2025)

How to Craft Backdoors with Unlabeled Data Alone?
von: Wang, Yifei, et al.
Veröffentlicht: (2024)

Addressing Concept Shift in Online Time Series Forecasting: Detect-then-Adapt
von: Zhang, YiFan, et al.
Veröffentlicht: (2024)

Adapting Prediction Sets to Distribution Shifts Without Labels
von: Kasa, Kevin, et al.
Veröffentlicht: (2024)

Out of the Ordinary: Spectrally Adapting Regression for Covariate Shift
von: Eyre, Benjamin, et al.
Veröffentlicht: (2023)

Mitigating Domain Shift in Federated Learning via Intra- and Inter-Domain Prototypes
von: Le, Huy Q., et al.
Veröffentlicht: (2025)

M-Loss: Quantifying Model Merging Compatibility with Limited Unlabeled Data
von: Wang, Tiantong, et al.
Veröffentlicht: (2026)

Adapting to Online Distribution Shifts in Deep Learning: A Black-Box Approach
von: Baby, Dheeraj, et al.
Veröffentlicht: (2025)

Single-Subject Multi-View MRI Super-Resolution via Implicit Neural Representations
von: Kim, Heejong, et al.
Veröffentlicht: (2026)

GCAL: Adapting Graph Models to Evolving Domain Shifts
von: Qiao, Ziyue, et al.
Veröffentlicht: (2025)

AdapTable: Test-Time Adaptation for Tabular Data via Shift-Aware Uncertainty Calibrator and Label Distribution Handler
von: Kim, Changhun, et al.
Veröffentlicht: (2024)

Making Better Use of Unlabelled Data in Bayesian Active Learning
von: Smith, Freddie Bickford, et al.
Veröffentlicht: (2024)

Incorporating Unlabelled Data into Bayesian Neural Networks
von: Sharma, Mrinank, et al.
Veröffentlicht: (2023)