Buchumschlag

Uncertainty in Machine Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Weytjens, Hans, Verbeke, Wouter
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

Estimating Treatment Effects in Networks using Domain Adversarial Training
von: Caljon, Daan, et al.
Veröffentlicht: (2025)

Is TabPFN the Silver Bullet for Insurance Pricing?
von: Deprez, Bruno, et al.
Veröffentlicht: (2026)

Stabilizing distribution-free probabilistic forecasts
von: Van Belle, Jente, et al.
Veröffentlicht: (2026)

Metalearners for Ranking Treatment Effects
von: Vanderschueren, Toon, et al.
Veröffentlicht: (2024)

Advances in Continual Graph Learning for Anti-Money Laundering Systems: A Comprehensive Review
von: Deprez, Bruno, et al.
Veröffentlicht: (2025)

ProCause: Generating Counterfactual Outcomes to Evaluate Prescriptive Process Monitoring Methods
von: De Moor, Jakob, et al.
Veröffentlicht: (2025)

Inductive inference of gradient-boosted decision trees on graphs for insurance fraud detection
von: Vandervorst, Félix, et al.
Veröffentlicht: (2025)

Uplift modeling with continuous treatments: A predict-then-optimize approach
von: De Vos, Simon, et al.
Veröffentlicht: (2024)

GARG-AML against Smurfing: A Scalable and Interpretable Graph-Based Framework for Anti-Money Laundering
von: Deprez, Bruno, et al.
Veröffentlicht: (2025)

Optimizing Treatment Allocation in the Presence of Interference
von: Caljon, Daan, et al.
Veröffentlicht: (2024)

Sources of Gain: Decomposing Performance in Conditional Average Dose Response Estimation
von: Bockel-Rickermann, Christopher, et al.
Veröffentlicht: (2024)

SimBank: from Simulation to Solution in Prescriptive Process Monitoring
von: De Moor, Jakob, et al.
Veröffentlicht: (2025)

The foundations of cost-sensitive causal classification
von: Verbeke, Wouter, et al.
Veröffentlicht: (2020)

Using dynamic loss weighting to boost improvements in forecast stability
von: Caljon, Daan, et al.
Veröffentlicht: (2024)

Network Analytics for Anti-Money Laundering -- A Systematic Literature Review and Experimental Evaluation
von: Deprez, Bruno, et al.
Veröffentlicht: (2024)

SCOPE: Sequential Causal Optimization of Process Interventions
von: De Moor, Jakob, et al.
Veröffentlicht: (2025)

Decision-centric fairness: Evaluation and optimization for resource allocation problems
von: De Vos, Simon, et al.
Veröffentlicht: (2025)

Using representation balancing to learn conditional-average dose responses from clustered data
von: Bockel-Rickermann, Christopher, et al.
Veröffentlicht: (2023)

Machine Learning. The Science of Selection under Uncertainty
von: Seldin, Yevgeny
Veröffentlicht: (2025)

Machine Learning Predictions for Traffic Equilibria in Road Renovation Scheduling
von: Bosch, Robbert, et al.
Veröffentlicht: (2025)

Uncertainty-Aware Diagnostics for Physics-Informed Machine Learning
von: Daniels, Mara, et al.
Veröffentlicht: (2025)

How to Evaluate Uncertainty Estimates in Machine Learning for Regression?
von: Sluijterman, Laurens, et al.
Veröffentlicht: (2021)

Imputation Uncertainty in Interpretable Machine Learning Methods
von: Golchian, Pegah, et al.
Veröffentlicht: (2025)

The Uncertainty of Machine Learning Predictions in Asset Pricing
von: Liao, Yuan, et al.
Veröffentlicht: (2025)

dtaianomaly: A Python library for time series anomaly detection
von: Carpentier, Louis, et al.
Veröffentlicht: (2025)

Probabilistic Machine Learning for Uncertainty-Aware Diagnosis of Industrial Systems
von: Mohammadi, Arman, et al.
Veröffentlicht: (2025)

Sources of Uncertainty in Supervised Machine Learning -- A Statisticians' View
von: Gruber, Cornelia, et al.
Veröffentlicht: (2023)

Uncertainty Quantification for Motor Imagery BCI -- Machine Learning vs. Deep Learning
von: Suurmeijer, Joris, et al.
Veröffentlicht: (2025)

Uncertainty Quantification for Machine Learning: One Size Does Not Fit All
von: Hofman, Paul, et al.
Veröffentlicht: (2025)

On the Need to Align Intent and Implementation in Uncertainty Quantification for Machine Learning
von: Trivedi, Shubhendu, et al.
Veröffentlicht: (2025)

Probabilistic Consistency in Machine Learning and Its Connection to Uncertainty Quantification
von: Patrone, Paul, et al.
Veröffentlicht: (2025)

Uncertainty Quantification for Machine Learning in Healthcare: A Survey
von: López, L. Julián Lechuga, et al.
Veröffentlicht: (2025)

Uncertainty-Adjusted Sorting for Asset Pricing with Machine Learning
von: Liu, Yan, et al.
Veröffentlicht: (2026)

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

Multi-fidelity Machine Learning for Uncertainty Quantification and Optimization
von: Zhang, Ruda, et al.
Veröffentlicht: (2024)

Group Distributionally Robust Machine Learning under Group Level Distributional Uncertainty
von: Konti, Xenia, et al.
Veröffentlicht: (2025)

How Understanding Forecast Uncertainty Resolves the Explainability Problem in Machine Learning Models
von: Breeden, Joseph L.
Veröffentlicht: (2026)

Quantifying Distribution Shifts and Uncertainties for Enhanced Model Robustness in Machine Learning Applications
von: Flovik, Vegard
Veröffentlicht: (2024)

Koopman Invariants as Drivers of Emergent Time-Series Clustering in Joint-Embedding Predictive Architectures
von: Ruiz-Morales, Pablo, et al.
Veröffentlicht: (2025)

A Structured Review of Literature on Uncertainty in Machine Learning & Deep Learning
von: Fakour, Fahimeh, et al.
Veröffentlicht: (2024)