Buchumschlag

Mind the Gap: A Framework for Assessing Pitfalls in Multimodal Active Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Eisenhardt, Dustin, Jeong, Yunhee, Buettner, Florian
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

How to Leverage Predictive Uncertainty Estimates for Reducing Catastrophic Forgetting in Online Continual Learning
von: Serra, Giuseppe, et al.
Veröffentlicht: (2024)

Incremental Uncertainty-aware Performance Monitoring with Active Labeling Intervention
von: Koebler, Alexander, et al.
Veröffentlicht: (2025)

Improving Perturbation-based Explanations by Understanding the Role of Uncertainty Calibration
von: Decker, Thomas, et al.
Veröffentlicht: (2025)

Why Uncertainty Calibration Matters for Reliable Perturbation-based Explanations
von: Decker, Thomas, et al.
Veröffentlicht: (2025)

From Entropy to Calibrated Uncertainty: Training Language Models to Reason About Uncertainty
von: Jenane, Azza, et al.
Veröffentlicht: (2026)

Mind the XAI Gap: A Human-Centered LLM Framework for Democratizing Explainable AI
von: Paraschou, Eva, et al.
Veröffentlicht: (2025)

Mind The Gap: Quantifying Mechanistic Gaps in Algorithmic Reasoning via Neural Compilation
von: Saldyt, Lucas, et al.
Veröffentlicht: (2025)

Pitfalls in Evaluating Language Model Forecasters
von: Paleka, Daniel, et al.
Veröffentlicht: (2025)

Evaluation of Randomization through Style Transfer for Enhanced Domain Generalization
von: Eisenhardt, Dustin, et al.
Veröffentlicht: (2026)

Mind the Gap: A Causal Perspective on Bias Amplification in Prediction & Decision-Making
von: Plecko, Drago, et al.
Veröffentlicht: (2024)

Deep Learning Inference on Heterogeneous Mobile Processors: Potentials and Pitfalls
von: Liu, Sicong, et al.
Veröffentlicht: (2024)

The Pitfalls of KV Cache Compression
von: Chen, Alex, et al.
Veröffentlicht: (2025)

Mind the Gap: A Practical Attack on GGUF Quantization
von: Egashira, Kazuki, et al.
Veröffentlicht: (2025)

Mind the Gaps: Auditing and Reducing Group Inequity in Large-Scale Mobility Prediction
von: Kumar, Ashwin, et al.
Veröffentlicht: (2025)

Parametric Neural Amp Modeling with Active Learning
von: Grötschla, Florian, et al.
Veröffentlicht: (2025)

Evaluating Supervised Machine Learning Models: Principles, Pitfalls, and Metric Selection
von: Liu, Xuanyan, et al.
Veröffentlicht: (2026)

From Challenges and Pitfalls to Recommendations and Opportunities: Implementing Federated Learning in Healthcare
von: Li, Ming, et al.
Veröffentlicht: (2024)

Towards Multimodal Active Learning: Efficient Learning with Limited Paired Data
von: Zhang, Jiancheng, et al.
Veröffentlicht: (2025)

Mind the Sim-to-Real Gap & Think Like a Scientist
von: Parikh, Harsh, et al.
Veröffentlicht: (2026)

Mind the Data Gap: Bridging LLMs to Enterprise Data Integration
von: Kayali, Moe, et al.
Veröffentlicht: (2024)

Active Asymmetric Multi-Agent Multimodal Learning under Uncertainty
von: Liu, Rui, et al.
Veröffentlicht: (2026)

Mind the Gap: Mixtures of Gaussians in Approximate Differential Privacy
von: Liu, Huikang, et al.
Veröffentlicht: (2026)

The Pitfalls of Memorization: When Memorization Hurts Generalization
von: Bayat, Reza, et al.
Veröffentlicht: (2024)

Promises and Pitfalls of Threshold-based Auto-labeling
von: Vishwakarma, Harit, et al.
Veröffentlicht: (2022)

Decipher the Modality Gap in Multimodal Contrastive Learning: From Convergent Representations to Pairwise Alignment
von: Yi, Lingjie, et al.
Veröffentlicht: (2025)

Mind the Gap: A Review of Arabic Post-Training Datasets and Their Limitations
von: Alkhowaiter, Mohammed, et al.
Veröffentlicht: (2025)

Why Can't Transformers Learn Multiplication? Reverse-Engineering Reveals Long-Range Dependency Pitfalls
von: Bai, Xiaoyan, et al.
Veröffentlicht: (2025)

Enhancing Modality Representation and Alignment for Multimodal Cold-start Active Learning
von: Shen, Meng, et al.
Veröffentlicht: (2024)

Benefits and Pitfalls of Reinforcement Learning for Language Model Planning: A Theoretical Perspective
von: Wang, Siwei, et al.
Veröffentlicht: (2025)

On the Overlooked Pitfalls of Weight Decay and How to Mitigate Them: A Gradient-Norm Perspective
von: Xie, Zeke, et al.
Veröffentlicht: (2020)

Addressing Pitfalls in the Evaluation of Uncertainty Estimation Methods for Natural Language Generation
von: Ielanskyi, Mykyta, et al.
Veröffentlicht: (2025)

Mind the Gap: Missing Cyber Threat Coverage in NIDS Datasets for the Energy Sector
von: Tory, Adrita Rahman, et al.
Veröffentlicht: (2025)

Provably Better Explanations with Optimized Aggregation of Feature Attributions
von: Decker, Thomas, et al.
Veröffentlicht: (2024)

Learning to Be Cautious
von: Mohammedalamen, Montaser, et al.
Veröffentlicht: (2021)

DUSE: A Data Expansion Framework for Low-resource Automatic Modulation Recognition based on Active Learning
von: Lu, Yao, et al.
Veröffentlicht: (2025)

The Generalization Gap in Offline Reinforcement Learning
von: Mediratta, Ishita, et al.
Veröffentlicht: (2023)

Uncertainty-Resilient Multimodal Learning via Consistency-Guided Cross-Modal Transfer
von: Jang, Hyo-Jeong
Veröffentlicht: (2025)

AFABench: A Generic Framework for Benchmarking Active Feature Acquisition
von: Schütz, Valter, et al.
Veröffentlicht: (2025)

Generative Synthetic Data for Causal Inference: Pitfalls, Remedies, and Opportunities
von: Xu, Yichen
Veröffentlicht: (2026)

Adversarial Reinforcement Learning Framework for ESP Cheater Simulation
von: Park, Inkyu, et al.
Veröffentlicht: (2025)