Buchumschlag

How Ensemble Learning Balances Accuracy and Overfitting: A Bias-Variance Perspective on Tabular Data

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Mohammad, Zubair Ahmed
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

CLIP the Bias: How Useful is Balancing Data in Multimodal Learning?
von: Alabdulmohsin, Ibrahim, et al.
Veröffentlicht: (2024)

Dynamic Logistic Ensembles with Recursive Probability and Automatic Subset Splitting for Enhanced Binary Classification
von: Khan, Mohammad Zubair, et al.
Veröffentlicht: (2024)

Hardware Aware Ensemble Selection for Balancing Predictive Accuracy and Cost
von: Maier, Jannis, et al.
Veröffentlicht: (2024)

A Data-Centric Perspective on Evaluating Machine Learning Models for Tabular Data
von: Tschalzev, Andrej, et al.
Veröffentlicht: (2024)

Addressing Bias Through Ensemble Learning and Regularized Fine-Tuning
von: Radwan, Ahmed, et al.
Veröffentlicht: (2024)

How to Mitigate Overfitting in Weak-to-strong Generalization?
von: Shi, Junhao, et al.
Veröffentlicht: (2025)

Fairness Overfitting in Machine Learning: An Information-Theoretic Perspective
von: Laakom, Firas, et al.
Veröffentlicht: (2025)

LoMETab: Beyond Rank-1 Ensembles for Tabular Deep Learning
von: Choi, Changryeol, et al.
Veröffentlicht: (2026)

A Survey on Data-Centric AI: Tabular Learning from Reinforcement Learning and Generative AI Perspective
von: Ying, Wangyang, et al.
Veröffentlicht: (2025)

A Survey on Deep Tabular Learning
von: Somvanshi, Shriyank, et al.
Veröffentlicht: (2024)

Enriching Tabular Data with Contextual LLM Embeddings: A Comprehensive Ablation Study for Ensemble Classifiers
von: Kasneci, Gjergji, et al.
Veröffentlicht: (2024)

A Machine Learning Approach for Crop Yield and Disease Prediction Integrating Soil Nutrition and Weather Factors
von: Ahmed, Forkan Uddin, et al.
Veröffentlicht: (2024)

Control of Overfitting with Physics
von: Kozyrev, Sergei V., et al.
Veröffentlicht: (2024)

Ensembling Tabular Foundation Models - A Diversity Ceiling And A Calibration Trap
von: Tanna, Aditya, et al.
Veröffentlicht: (2026)

LLM Embeddings for Deep Learning on Tabular Data
von: Koloski, Boshko, et al.
Veröffentlicht: (2025)

Measuring and Mitigating Bias for Tabular Datasets with Multiple Protected Attributes
von: Duong, Manh Khoi, et al.
Veröffentlicht: (2024)

Balancing Accuracy and Efficiency: CNN Fusion Models for Diabetic Retinopathy Screening
von: Islam, Md Rafid, et al.
Veröffentlicht: (2025)

Deep Learning with Tabular Data: A Self-supervised Approach
von: Vyas, Tirth Kiranbhai
Veröffentlicht: (2024)

ALPBench: A Benchmark for Active Learning Pipelines on Tabular Data
von: Margraf, Valentin, et al.
Veröffentlicht: (2024)

Fin-Fed-OD: Federated Outlier Detection on Financial Tabular Data
von: Herurkar, Dayananda, et al.
Veröffentlicht: (2024)

CLIMB: Class-imbalanced Learning Benchmark on Tabular Data
von: Liu, Zhining, et al.
Veröffentlicht: (2025)

Learning Relational Tabular Data without Shared Features
von: Wu, Zhaomin, et al.
Veröffentlicht: (2025)

Tabular Data: Is Deep Learning all you need?
von: Zabërgja, Guri, et al.
Veröffentlicht: (2024)

Balancing Fairness, Privacy, and Accuracy: A Multitask Adversarial Framework for Centralized Data-Driven Systems
von: Ekanayake, Imesh, et al.
Veröffentlicht: (2026)

Embodiment-Induced Coordination Regimes in Tabular Multi-Agent Q-Learning
von: Atif, Muhammad Ahmed, et al.
Veröffentlicht: (2026)

Balancing Fairness and Accuracy in Data-Restricted Binary Classification
von: Lazri, Zachary McBride, et al.
Veröffentlicht: (2024)

Artificial Inductive Bias for Synthetic Tabular Data Generation in Data-Scarce Scenarios
von: Apellániz, Patricia A., et al.
Veröffentlicht: (2024)

TabArena: A Living Benchmark for Machine Learning on Tabular Data
von: Erickson, Nick, et al.
Veröffentlicht: (2025)

MultiTab: A Scalable Foundation for Multitask Learning on Tabular Data
von: Sinodinos, Dimitrios, et al.
Veröffentlicht: (2025)

A Survey on Self-Supervised Learning for Non-Sequential Tabular Data
von: Wang, Wei-Yao, et al.
Veröffentlicht: (2024)

Controlling Ensemble Variance in Diffusion Models: An Application for Reanalyses Downscaling
von: Merizzi, Fabio, et al.
Veröffentlicht: (2025)

Universal Embeddings of Tabular Data
von: Franz, Astrid, et al.
Veröffentlicht: (2025)

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

Deep Clustering of Tabular Data by Weighted Gaussian Distribution Learning
von: Rabbani, Shourav B., et al.
Veröffentlicht: (2023)

Overcoming Overfitting in Reinforcement Learning via Gaussian Process Diffusion Policy
von: Horprasert, Amornyos, et al.
Veröffentlicht: (2025)

TabICL: A Tabular Foundation Model for In-Context Learning on Large Data
von: Qu, Jingang, et al.
Veröffentlicht: (2025)

Rethinking Spiking Neural Networks from an Ensemble Learning Perspective
von: Ding, Yongqi, et al.
Veröffentlicht: (2025)

FedAD-Bench: A Unified Benchmark for Federated Unsupervised Anomaly Detection in Tabular Data
von: Anwar, Ahmed, et al.
Veröffentlicht: (2024)

The Blessing of Dimensionality in LLM Fine-tuning: A Variance-Curvature Perspective
von: Liang, Qiyao, et al.
Veröffentlicht: (2026)

A Compression Perspective on Simplicity Bias
von: Marty, Tom, et al.
Veröffentlicht: (2026)