Buchumschlag

FastODT: A tree-based framework for efficient continual learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Bretsko, Daniel, Walas, Piotr, Khulbe, Devashish, Stros, Sebastian, Sobolevsky, Stanislav, Satura, Tomas
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Urban delineation through the lens of commute networks: Leveraging graph embeddings to distinguish socioeconomic groups in cities
von: Khulbe, Devashish, et al.
Veröffentlicht: (2025)

Commute Networks as a Signature of Urban Socioeconomic Performance: Evaluating Mobility Structures with Deep Learning Models
von: Khulbe, Devashish, et al.
Veröffentlicht: (2025)

TinySubNets: An efficient and low capacity continual learning strategy
von: Pietroń, Marcin, et al.
Veröffentlicht: (2024)

A theoretical framework for self-supervised contrastive learning for continuous dependent data
von: Marusov, Alexander, et al.
Veröffentlicht: (2025)

Scores as Actions: a framework of fine-tuning diffusion models by continuous-time reinforcement learning
von: Zhao, Hanyang, et al.
Veröffentlicht: (2024)

Scilab-RL: A software framework for efficient reinforcement learning and cognitive modeling research
von: Dohmen, Jan, et al.
Veröffentlicht: (2024)

Affect and Effect: Limitations of regularisation-based continual learning in EEG-based emotion classification
von: Peire, Nina, et al.
Veröffentlicht: (2026)

Local vs Global continual learning
von: Lanzillotta, Giulia, et al.
Veröffentlicht: (2024)

Traceable LLM-based validation of statements in knowledge graphs
von: Adam, Daniel, et al.
Veröffentlicht: (2024)

Towards stable training of parallel continual learning
von: Yuepan, Li, et al.
Veröffentlicht: (2024)

A framework for measuring the training efficiency of a neural architecture
von: Cueto-Mendoza, Eduardo, et al.
Veröffentlicht: (2024)

Implicit neural representations as a coordinate-based framework for continuous environmental field reconstruction from sparse ecological observations
von: Pregowska, Agnieszka, et al.
Veröffentlicht: (2026)

Modeling Quantum Federated Autoencoder for Anomaly Detection in IoT Networks
von: Chaudhary, Devashish, et al.
Veröffentlicht: (2026)

Q-AGNN: Quantum-Enhanced Attentive Graph Neural Network for Intrusion Detection
von: Chaudhary, Devashish, et al.
Veröffentlicht: (2026)

Towards efficient representation identification in supervised learning
von: Ahuja, Kartik, et al.
Veröffentlicht: (2022)

Toward industrial use of continual learning : new metrics proposal for class incremental learning
von: Abbas, Konaté Mohamed, et al.
Veröffentlicht: (2024)

Edge Delayed Deep Deterministic Policy Gradient: efficient continuous control for edge scenarios
von: Sinigaglia, Alberto, et al.
Veröffentlicht: (2024)

Context selectivity with dynamic availability enables lifelong continual learning
von: Barry, Martin, et al.
Veröffentlicht: (2023)

Review learning: Real world validation of privacy preserving continual learning across medical institutions
von: Yoo, Jaesung, et al.
Veröffentlicht: (2022)

Target noise: A pre-training based neural network initialization for efficient high resolution learning
von: Wang, Shaowen, et al.
Veröffentlicht: (2026)

An improved column-generation-based matheuristic for learning classification trees
von: Patel, Krunal Kishor, et al.
Veröffentlicht: (2023)

Forager: a lightweight testbed for continual learning with partial observability in RL
von: Tang, Steven, et al.
Veröffentlicht: (2026)

Task diversity produces systematic transfer but inhibits continual reinforcement learning
von: Seth, Purab, et al.
Veröffentlicht: (2026)

Soup to go: mitigating forgetting during continual learning with model averaging
von: Kleiman, Anat, et al.
Veröffentlicht: (2025)

Simulation-based reinforcement learning for real-world autonomous driving
von: Osiński, Błażej, et al.
Veröffentlicht: (2019)

Deep progressive reinforcement learning-based flexible resource scheduling framework for IRS and UAV-assisted MEC system
von: Dong, Li, et al.
Veröffentlicht: (2024)

FlexMS is a flexible framework for benchmarking deep learning-based mass spectrum prediction tools in metabolomics
von: Zhong, Yunhua, et al.
Veröffentlicht: (2026)

Chemical knowledge-informed framework for privacy-aware retrosynthesis learning
von: Chen, Guikun, et al.
Veröffentlicht: (2025)

Toward efficient resource utilization at edge nodes in federated learning
von: Alawadi, Sadi, et al.
Veröffentlicht: (2023)

The surprising efficiency of temporal difference learning for rare event prediction
von: Cheng, Xiaoou, et al.
Veröffentlicht: (2024)

Not all tokens are needed(NAT): token efficient reinforcement learning
von: Sang, Hejian, et al.
Veröffentlicht: (2026)

Current applications and potential future directions of reinforcement learning-based Digital Twins in agriculture
von: Goldenits, Georg, et al.
Veröffentlicht: (2024)

Recursive deep learning framework for forecasting the decadal world economic outlook
von: Wang, Tianyi, et al.
Veröffentlicht: (2023)

An efficient deep reinforcement learning environment for flexible job-shop scheduling
von: Wu, Xinquan, et al.
Veröffentlicht: (2025)

Similarity-based context aware continual learning for spiking neural networks
von: Han, Bing, et al.
Veröffentlicht: (2024)

FastGAS: Fast Graph-based Annotation Selection for In-Context Learning
von: Chen, Zihan, et al.
Veröffentlicht: (2024)

Dual feature-based and example-based explanation methods
von: Konstantinov, Andrei V., et al.
Veröffentlicht: (2024)

Designing an efficient and equitable humanitarian supply chain dynamically via reinforcement learning
von: Jin, Weijia
Veröffentlicht: (2025)

Application of linear regression and quasi-Newton methods to the deep reinforcement learning in continuous action cases
von: Komatsu, Hisato
Veröffentlicht: (2025)

LaTiM: Longitudinal representation learning in continuous-time models to predict disease progression
von: Zeghlache, Rachid, et al.
Veröffentlicht: (2024)