Buchumschlag

Guidelines for the Quality Assessment of Energy-Aware NAS Benchmarks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kocher, Nick, Wassermann, Christian, Hennig, Leona, Seng, Jonas, Hoos, Holger, Kersting, Kristian, Lindauer, Marius, Müller, Matthias
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

Towards Leveraging AutoML for Sustainable Deep Learning: A Multi-Objective HPO Approach on Deep Shift Neural Networks
von: Hennig, Leona, et al.
Veröffentlicht: (2024)

Dynamic Priors in Bayesian Optimization for Hyperparameter Optimization
von: Fehring, Lukas, et al.
Veröffentlicht: (2025)

Hyperparameter Optimization via Interacting with Probabilistic Circuits
von: Seng, Jonas, et al.
Veröffentlicht: (2025)

ARLBench: Flexible and Efficient Benchmarking for Hyperparameter Optimization in Reinforcement Learning
von: Becktepe, Jannis, et al.
Veröffentlicht: (2024)

Optimizing Time Series Forecasting Architectures: A Hierarchical Neural Architecture Search Approach
von: Deng, Difan, et al.
Veröffentlicht: (2024)

carps: A Framework for Comparing N Hyperparameter Optimizers on M Benchmarks
von: Benjamins, Carolin, et al.
Veröffentlicht: (2025)

Scaling Probabilistic Circuits via Data Partitioning
von: Seng, Jonas, et al.
Veröffentlicht: (2025)

Growing with Experience: Growing Neural Networks in Deep Reinforcement Learning
von: Fehring, Lukas, et al.
Veröffentlicht: (2025)

Revisiting Learning Rate Control
von: Henheik, Micha, et al.
Veröffentlicht: (2025)

Dynamic Hyperparameter Importance for Efficient Multi-Objective Optimization
von: Theodorakopoulos, Daphne, et al.
Veröffentlicht: (2026)

EC-NAS: Energy Consumption Aware Tabular Benchmarks for Neural Architecture Search
von: Bakhtiarifard, Pedram, et al.
Veröffentlicht: (2022)

Systems with Switching Causal Relations: A Meta-Causal Perspective
von: Willig, Moritz, et al.
Veröffentlicht: (2024)

Auto-nnU-Net: Towards Automated Medical Image Segmentation
von: Becktepe, Jannis, et al.
Veröffentlicht: (2025)

On the Efficiency of Training Robust Decision Trees
von: Gerlach, Benedict, et al.
Veröffentlicht: (2025)

When Are RL Hyperparameters Benign? A Study in Offline Goal-Conditioned RL
von: Töpperwien, Jan Malte, et al.
Veröffentlicht: (2026)

All Eyes on the Workflow: Automated and Efficient Event Discovery from Video Streams
von: Pegoraro, Marco, et al.
Veröffentlicht: (2026)

Hyperparameter Importance Analysis for Multi-Objective AutoML
von: Theodorakopoulos, Daphne, et al.
Veröffentlicht: (2024)

Moments Matter:Stabilizing Policy Optimization using Return Distributions
von: Jabs, Dennis, et al.
Veröffentlicht: (2026)

Structure in Deep Reinforcement Learning: A Survey and Open Problems
von: Mohan, Aditya, et al.
Veröffentlicht: (2023)

auto-sktime: Automated Time Series Forecasting
von: Zöller, Marc-André, et al.
Veröffentlicht: (2023)

HyperSHAP: Shapley Values and Interactions for Explaining Hyperparameter Optimization
von: Wever, Marcel, et al.
Veröffentlicht: (2025)

Interactive Hyperparameter Optimization in Multi-Objective Problems via Preference Learning
von: Giovanelli, Joseph, et al.
Veröffentlicht: (2023)

Deep Classifier Mimicry without Data Access
von: Braun, Steven, et al.
Veröffentlicht: (2023)

OCALM: Object-Centric Assessment with Language Models
von: Kaufmann, Timo, et al.
Veröffentlicht: (2024)

SocialGrid: A Benchmark for Planning and Social Reasoning in Embodied Multi-Agent Systems
von: Shindo, Hikaru, et al.
Veröffentlicht: (2026)

Credibility-Aware Multi-Modal Fusion Using Probabilistic Circuits
von: Sidheekh, Sahil, et al.
Veröffentlicht: (2024)

Combining Automated Optimisation of Hyperparameters and Reward Shape
von: Dierkes, Julian, et al.
Veröffentlicht: (2024)

Neural Attention Search Linear: Towards Adaptive Token-Level Hybrid Attention Models
von: Deng, Difan, et al.
Veröffentlicht: (2026)

Rethinking Evaluation Paradigms in IBP-based Certified Training
von: Kaulen, Konstantin, et al.
Veröffentlicht: (2026)

Depth-Recurrent Attention Mixtures: Giving Latent Reasoning the Attention it Deserves
von: Knupp, Jonas, et al.
Veröffentlicht: (2026)

AutoML for Multi-Class Anomaly Compensation of Sensor Drift
von: Schaller, Melanie, et al.
Veröffentlicht: (2025)

Gradient-Informed Bayesian and Interior Point Optimization for Efficient Inverse Design in Nanophotonics
von: Mahlau, Yannik, et al.
Veröffentlicht: (2026)

GRAIL: Autonomous Concept Grounding for Neuro-Symbolic Reinforcement Learning
von: Shindo, Hikaru, et al.
Veröffentlicht: (2026)

Polynomial Regret Concentration of UCB for Non-Deterministic State Transitions
von: Cömer, Can, et al.
Veröffentlicht: (2025)

HackAtari: Atari Learning Environments for Robust and Continual Reinforcement Learning
von: Delfosse, Quentin, et al.
Veröffentlicht: (2024)

Object Centric Concept Bottlenecks
von: Steinmann, David, et al.
Veröffentlicht: (2025)

Learning to Intervene on Concept Bottlenecks
von: Steinmann, David, et al.
Veröffentlicht: (2023)

Be Careful What You Smooth For: Label Smoothing Can Be a Privacy Shield but Also a Catalyst for Model Inversion Attacks
von: Struppek, Lukas, et al.
Veröffentlicht: (2023)

Instance Selection for Dynamic Algorithm Configuration with Reinforcement Learning: Improving Generalization
von: Benjamins, Carolin, et al.
Veröffentlicht: (2024)

Checkmating One, by Using Many: Combining Mixture of Experts with MCTS to Improve in Chess
von: Helfenstein, Felix, et al.
Veröffentlicht: (2024)