Buchumschlag

The Challenger: When Do New Data Sources Justify Switching Machine Learning Models?

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Digalakis Jr, Vassilis, Pérignon, Christophe, Saurin, Sébastien, Sentenac, Flore
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

The Fairness of Credit Scoring Models
von: Hurlin, Christophe, et al.
Veröffentlicht: (2022)

Measuring the Driving Forces of Predictive Performance: Application to Credit Scoring
von: Sullivan, Hué, et al.
Veröffentlicht: (2022)

Towards Stable Machine Learning Model Retraining via Slowly Varying Sequences
von: Bertsimas, Dimitris, et al.
Veröffentlicht: (2024)

ML Compass: Navigating Capability, Cost, and Compliance Trade-offs in AI Model Deployment
von: Digalakis Jr, Vassilis, et al.
Veröffentlicht: (2025)

Balancing optimism and pessimism in offline-to-online learning
von: Sentenac, Flore, et al.
Veröffentlicht: (2025)

Interpretable Time Series Autoregression for Periodicity Quantification
von: Chen, Xinyu, et al.
Veröffentlicht: (2025)

Almost Free: Self-concordance in Natural Exponential Families and an Application to Bandits
von: Liu, Shuai, et al.
Veröffentlicht: (2024)

Epistemic Deep Learning: Enabling Machine Learning Models to Know When They Do Not Know
von: Manchingal, Shireen Kudukkil
Veröffentlicht: (2025)

When Machine Learning Models Leak: An Exploration of Synthetic Training Data
von: Slokom, Manel, et al.
Veröffentlicht: (2023)

When Do Neural Networks Learn World Models?
von: Zhang, Tianren, et al.
Veröffentlicht: (2025)

Dynamic Model Switching for Improved Accuracy in Machine Learning
von: Hasani, Syed Tahir Abbas
Veröffentlicht: (2024)

Learning When to Switch: Adaptive Policy Selection via Reinforcement Learning
von: Tava, Chris
Veröffentlicht: (2025)

When Do Graph Foundation Models Transfer? A Data-Centric Theory
von: Zhu, Jiajun, et al.
Veröffentlicht: (2026)

Graph Neural Machine: A New Model for Learning with Tabular Data
von: Nikolentzos, Giannis, et al.
Veröffentlicht: (2024)

Elastic-Net Multiple Kernel Learning: Combining Multiple Data Sources for Prediction
von: Mourão-Miranda, Janaina, et al.
Veröffentlicht: (2025)

Position: Explain to Question not to Justify
von: Biecek, Przemyslaw, et al.
Veröffentlicht: (2024)

Machine Learning Approaches for Diagnostics and Prognostics of Industrial Systems Using Open Source Data from PHM Data Challenges: A Review
von: Su, Hanqi, et al.
Veröffentlicht: (2023)

When Determinants Are Not Enough: Private Rare Switching
von: Zhou, Xingyu
Veröffentlicht: (2026)

Generation of Granular-Balls for Clustering Based on the Principle of Justifiable Granularity
von: Jia, Zihang, et al.
Veröffentlicht: (2024)

Reward Design for Justifiable Sequential Decision-Making
von: Sukovic, Aleksa, et al.
Veröffentlicht: (2024)

Neural Emulator Superiority: When Machine Learning for PDEs Surpasses its Training Data
von: Koehler, Felix, et al.
Veröffentlicht: (2025)

When Models Know When They Do Not Know: Calibration, Cascading, and Cleaning
von: Hao, Chenjie, et al.
Veröffentlicht: (2026)

Challenges, Methods, Data -- a Survey of Machine Learning in Water Distribution Networks
von: Vaquet, Valerie, et al.
Veröffentlicht: (2024)

When Pattern-by-Pattern Works: Theoretical and Empirical Insights for Logistic Models with Missing Values
von: Muller, Christophe, et al.
Veröffentlicht: (2025)

Enhancing Machine Learning Potentials through Transfer Learning across Chemical Elements
von: Röcken, Sebastien, et al.
Veröffentlicht: (2025)

The Physics Constraint Paradox: When Removing Explicit Constraints Improves Physics-Informed Data for Machine Learning
von: Ray, Rahul D
Veröffentlicht: (2025)

Closed-Loop CO2 Storage Control With History-Based Reinforcement Learning and Latent Model-Based Adaptation
von: Fotias, Sofianos Panagiotis, et al.
Veröffentlicht: (2026)

When Machine Learning Gets Personal: Evaluating Prediction and Explanation
von: Cornelis, Louisa, et al.
Veröffentlicht: (2025)

When Do Neural Nets Outperform Boosted Trees on Tabular Data?
von: McElfresh, Duncan, et al.
Veröffentlicht: (2023)

When to Switch, Not Just What: Transition Quality Prediction in Clash Royale
von: Heo, Heeyun, et al.
Veröffentlicht: (2026)

Learning Shortest Paths When Data is Scarce
von: Matsypura, Dmytro, et al.
Veröffentlicht: (2026)

Using Small Language Models to Reverse-Engineer Machine Learning Pipelines Structures
von: Lacroix, Nicolas, et al.
Veröffentlicht: (2026)

On the Robustness of Distributed Machine Learning against Transfer Attacks
von: Andreina, Sébastien, et al.
Veröffentlicht: (2024)

The Normal Distributions Indistinguishability Spectrum and its Application to Privacy-Preserving Machine Learning
von: Wei, Yu, et al.
Veröffentlicht: (2023)

Modeling Quantum Machine Learning for Genomic Data Analysis
von: Singh, Navneet, et al.
Veröffentlicht: (2025)

District Vitality Index Using Machine Learning Methods for Urban Planners
von: Marcoux, Sylvain, et al.
Veröffentlicht: (2025)

When Plants Respond: Electrophysiology and Machine Learning for Green Monitoring Systems
von: Buss, Eduard, et al.
Veröffentlicht: (2025)

Parameter Identification for Partial Differential Equation with Jump Discontinuities in Coefficients by Markov Switching Model and Physics-Informed Machine Learning
von: Zhang, Zhikun, et al.
Veröffentlicht: (2025)

Data Augmentation for Deep Learning Regression Tasks by Machine Learning Models
von: Shmuel, Assaf, et al.
Veröffentlicht: (2025)

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