Buchumschlag

ONERA's CRM WBPN database for machine learning activities, related regression challenge and first results

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Peter, Jacques, Bennehard, Quentin, Heib, Sébastien, Hantrais-Gervois, Jean-Luc, Moëns, Frédéric
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Analytical results for uncertainty propagation through trained machine learning regression models
von: Thompson, Andrew
Veröffentlicht: (2024)

On minimizing the training set fill distance in machine learning regression
von: Climaco, Paolo, et al.
Veröffentlicht: (2023)

Efficient distributional regression trees learning algorithms for calibrated non-parametric probabilistic forecasts
von: Duchemin, Quentin, et al.
Veröffentlicht: (2025)

The first Cadenza challenges: using machine learning competitions to improve music for listeners with a hearing loss
von: Dabike, Gerardo Roa, et al.
Veröffentlicht: (2024)

A parsimonious, computationally efficient machine learning method for spatial regression
von: Žukovič, Milan, et al.
Veröffentlicht: (2023)

MSNER: A Multilingual Speech Dataset for Named Entity Recognition
von: Meeus, Quentin, et al.
Veröffentlicht: (2024)

Evaluation of uncertainty estimations for Gaussian process regression based machine learning interatomic potentials
von: Holzenkamp, Matthias, et al.
Veröffentlicht: (2024)

Multifidelity linear regression for scientific machine learning from scarce data
von: Qian, Elizabeth, et al.
Veröffentlicht: (2024)

Reinforcement learning-based architecture search for quantum machine learning
von: Rapp, Frederic, et al.
Veröffentlicht: (2024)

Distributional encoding for Gaussian process regression with qualitative inputs
von: Da Veiga, Sébastien
Veröffentlicht: (2025)

Accurate machine learning force fields via experimental and simulation data fusion
von: Röcken, Sebastien, et al.
Veröffentlicht: (2023)

Statistical Agnostic Regression: a machine learning method to validate regression models
von: Gorriz, Juan M, et al.
Veröffentlicht: (2024)

Measuring the originality of intellectual property assets based on machine learning outputs
von: Ragot, Sébastien
Veröffentlicht: (2020)

On the good reliability of an interval-based metric to validate prediction uncertainty for machine learning regression tasks
von: Pernot, Pascal
Veröffentlicht: (2024)

Privacy-preserving machine learning for healthcare: open challenges and future perspectives
von: Guerra-Manzanares, Alejandro, et al.
Veröffentlicht: (2023)

Can machine learning solve the challenge of adaptive learning and the individualization of learning paths? A field experiment in an online learning platform
von: Klausmann, Tim, et al.
Veröffentlicht: (2024)

Predicting the energetic proton flux with a machine learning regression algorithm
von: Stumpo, Mirko, et al.
Veröffentlicht: (2024)

Transparency challenges in policy evaluation with causal machine learning -- improving usability and accountability
von: Rehill, Patrick, et al.
Veröffentlicht: (2023)

Predicting solvation free energies with an implicit solvent machine learning potential
von: Röcken, Sebastien, et al.
Veröffentlicht: (2024)

Methods to improve run time of hydrologic models: opportunities and challenges in the machine learning era
von: Dhital, Supath
Veröffentlicht: (2024)

On the failure of ReLU activation for physics-informed machine learning
von: Rowan, Conor
Veröffentlicht: (2025)

Towards scientific machine learning for granular material simulations -- challenges and opportunities
von: Fransen, Marc, et al.
Veröffentlicht: (2025)

Negative impact of heavy-tailed uncertainty and error distributions on the reliability of calibration statistics for machine learning regression tasks
von: Pernot, Pascal
Veröffentlicht: (2024)

Predicting the activity of chemical compounds based on machine learning approaches
von: Tu, Do Hoang, et al.
Veröffentlicht: (2023)

PAL -- Parallel active learning for machine-learned potentials
von: Zhou, Chen, et al.
Veröffentlicht: (2024)

Categorical and geometric methods in statistical, manifold, and machine learning
von: Lê, Hông Vân, et al.
Veröffentlicht: (2025)

Medical artificial intelligence toolbox (MAIT): an explainable machine learning framework for binary classification, survival modelling, and regression analyses
von: Marandi, Ramtin Zargari, et al.
Veröffentlicht: (2025)

Comparison of machine learning and statistical approaches for digital elevation model (DEM) correction: interim results
von: Okolie, Chukwuma, et al.
Veröffentlicht: (2024)

Application of machine learning regression models to inverse eigenvalue problems
von: Pallikarakis, Nikolaos, et al.
Veröffentlicht: (2022)

Data efficient surrogate modeling for engineering design: Ensemble-free batch mode deep active learning for regression
von: Kapoor, Sarthak, et al.
Veröffentlicht: (2022)

Improved learning theory for kernel distribution regression with two-stage sampling
von: Bachoc, François, et al.
Veröffentlicht: (2023)

Diachronic and synchronic variation in the performance of adaptive machine learning systems: The ethical challenges
von: Hatherley, Joshua, et al.
Veröffentlicht: (2025)

Classical integrability in the presence of a cosmological constant: analytic and machine learning results
von: Cardoso, Gabriel Lopes, et al.
Veröffentlicht: (2024)

On the structural properties of Lie algebras via associated labeled directed graphs
von: Heib, Tim, et al.
Veröffentlicht: (2026)

The 3D pulsar magnetosphere with machine learning: first results
von: Dimitropoulos, Ioannis, et al.
Veröffentlicht: (2024)

Board gender diversity and emissions performance: Insights from panel regressions, machine learning, and explainable AI
von: Shakil, Mohammad Hassan, et al.
Veröffentlicht: (2025)

Nonparametric logistic regression with deep learning
von: Yara, Atsutomo, et al.
Veröffentlicht: (2024)

Estimation of AMOC transition probabilities using a machine learning based rare-event algorithm
von: Jacques-Dumas, Valérian, et al.
Veröffentlicht: (2024)

Model-free quantification of completeness, uncertainties, and outliers in atomistic machine learning using information theory
von: Schwalbe-Koda, Daniel, et al.
Veröffentlicht: (2024)

Learning signals defined on graphs with optimal transport and Gaussian process regression
von: Perez, Raphaël Carpintero, et al.
Veröffentlicht: (2024)