:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Heim, Eric, Wright, Oren, Shriver, David
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	https://arxiv.org/abs/2503.00563
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

An Analytic Solution to Covariance Propagation in Neural Networks
von: Wright, Oren, et al.
Veröffentlicht: (2024)

The Agentic Researcher: A Practical Guide to AI-Assisted Research in Mathematics and Machine Learning
von: Zimmer, Max, et al.
Veröffentlicht: (2026)

Concept-Guided Fine-Tuning: Steering ViTs away from Spurious Correlations to Improve Robustness
von: Elisha, Yehonatan, et al.
Veröffentlicht: (2026)

A More Practical Approach to Machine Unlearning
von: Zagardo, David
Veröffentlicht: (2024)

Information-Theoretic Foundations for Machine Learning
von: Jeon, Hong Jun, et al.
Veröffentlicht: (2024)

Kalman Bayesian Transformer
von: Jing, Haoming, et al.
Veröffentlicht: (2025)

Can Small Training Runs Reliably Guide Data Curation? Rethinking Proxy-Model Practice
von: Wang, Jiachen T., et al.
Veröffentlicht: (2025)

Diverse Transformer Decoding for Offline Reinforcement Learning Using Financial Algorithmic Approaches
von: Elbaz, Dan, et al.
Veröffentlicht: (2025)

Robust Classification under Noisy Labels: A Geometry-Aware Reliability Framework for Foundation Models
von: Bozkurt, Ecem, et al.
Veröffentlicht: (2025)

One-shot Federated Learning Methods: A Practical Guide
von: Liu, Xiang, et al.
Veröffentlicht: (2025)

Foundation World Models for Agents that Learn, Verify, and Adapt Reliably Beyond Static Environments
von: Delgrange, Florent
Veröffentlicht: (2026)

Automated Machine Learning: From Principles to Practices
von: Shen, Zhenqian, et al.
Veröffentlicht: (2018)

CLEF: Clinically-Guided Contrastive Learning for Electrocardiogram Foundation Models
von: Shu, Yuxuan, et al.
Veröffentlicht: (2025)

Towards Reliable Testing of Machine Unlearning
von: Mazhar, Anna, et al.
Veröffentlicht: (2026)

Learning Robust Reward Machines from Noisy Labels
von: Parac, Roko, et al.
Veröffentlicht: (2024)

Robust Counterfactual Explanations in Machine Learning: A Survey
von: Jiang, Junqi, et al.
Veröffentlicht: (2024)

A Decision-driven Methodology for Designing Uncertainty-aware AI Self-Assessment
von: Canal, Gregory, et al.
Veröffentlicht: (2024)

Failure-Aware RL: Reliable Offline-to-Online Reinforcement Learning with Self-Recovery for Real-World Manipulation
von: Li, Huanyu, et al.
Veröffentlicht: (2026)

MatRIS: Toward Reliable and Efficient Pretrained Machine Learning Interatomic Potentials
von: Zhou, Yuanchang, et al.
Veröffentlicht: (2026)

Fast and Robust Likelihood-Guided Diffusion Posterior Sampling with Amortized Variational Inference
von: Zheng, Léon, et al.
Veröffentlicht: (2026)

Failure Detection in Chemical Processes Using Symbolic Machine Learning: A Case Study on Ethylene Oxidation
von: Amblard, Julien, et al.
Veröffentlicht: (2026)

A Reliable Knowledge Processing Framework for Combustion Science using Foundation Models
von: Sharma, Vansh, et al.
Veröffentlicht: (2023)

AutoLoop: Fast Visual SLAM Fine-tuning through Agentic Curriculum Learning
von: Lahiany, Assaf, et al.
Veröffentlicht: (2025)

Parent-Guided Adaptive Reliability (PGAR): A Behavioural Meta-Learning Framework for Stable and Trustworthy AI
von: Rankawat, Anshum
Veröffentlicht: (2026)

Robust Tabular Foundation Models
von: Peroni, Matthew, et al.
Veröffentlicht: (2025)

A Reliable Cryptographic Framework for Empirical Machine Unlearning Evaluation
von: Tu, Yiwen, et al.
Veröffentlicht: (2024)

Towards Physics-Guided Foundation Models
von: Farhadloo, Majid, et al.
Veröffentlicht: (2025)

In-context Learning of Evolving Data Streams with Tabular Foundational Models
von: Lourenço, Afonso, et al.
Veröffentlicht: (2025)

Towards Fine-Tuning-Based Site Calibration for Knowledge-Guided Machine Learning: A Summary of Results
von: Zeng, Ruolei, et al.
Veröffentlicht: (2025)

Machine Learning Robustness: A Primer
von: Braiek, Houssem Ben, et al.
Veröffentlicht: (2024)

ANML: Attribution-Native Machine Learning with Guaranteed Robustness
von: Zahn, Oliver, et al.
Veröffentlicht: (2026)

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

Adaptive Machine Learning-Driven Multi-Fidelity Stratified Sampling for Failure Analysis of Nonlinear Stochastic Systems
von: Xu, Liuyun, et al.
Veröffentlicht: (2025)

Rethinking the Foundations for Continual Reinforcement Learning
von: Elelimy, Esraa, et al.
Veröffentlicht: (2025)

Learning Robust Reasoning through Guided Adversarial Self-Play
von: Li, Shuozhe, et al.
Veröffentlicht: (2026)

Standard vs. Modular Sampling: Best Practices for Reliable LLM Unlearning
von: Bushipaka, Praveen, et al.
Veröffentlicht: (2025)

Fundamental Limits of Membership Inference Attacks on Machine Learning Models
von: Aubinais, Eric, et al.
Veröffentlicht: (2023)

Opinion-Guided Reinforcement Learning
von: Dagenais, Kyanna, et al.
Veröffentlicht: (2024)

ARM-FM: Automated Reward Machines via Foundation Models for Compositional Reinforcement Learning
von: Castanyer, Roger Creus, et al.
Veröffentlicht: (2025)