:: Library Catalog

Copertina

Salvato in:

Dettagli Bibliografici
Autori principali:	Liu, Ruizhe, Luo, Jiaqi
Natura:	Preprint
Pubblicazione:	2026
Soggetti:	Machine Learning
Accesso online:	https://arxiv.org/abs/2605.14915
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

Robust-GBDT: GBDT with Nonconvex Loss for Tabular Classification in the Presence of Label Noise and Class Imbalance
di: Luo, Jiaqi, et al.
Pubblicazione: (2023)

NCART: Neural Classification and Regression Tree for Tabular Data
di: Luo, Jiaqi, et al.
Pubblicazione: (2023)

ICLAD: In-Context Learning for Unified Tabular Anomaly Detection Across Supervision Regimes
di: Wei, Jack Yi, et al.
Pubblicazione: (2026)

When Tabular Foundation Models Transfer Across Modalities: A Systematic Evaluation Across 95 Datasets, 7 Modalities, and Two Regimes
di: Lafrance, Julien
Pubblicazione: (2026)

Towards Universal Tabular Embeddings: A Benchmark Across Data Tasks
di: Vogel, Liane, et al.
Pubblicazione: (2026)

CARTGen-IR: Synthetic Tabular Data Generation for Imbalanced Regression
di: Pinheiro, António Pedro, et al.
Pubblicazione: (2025)

Channel Adaptation for EEG Foundation Models: A Systematic Benchmark Across Architectures, Tasks, and Training Regimes
di: Kokate, Kuntal, et al.
Pubblicazione: (2026)

A Comprehensive Benchmark of Machine and Deep Learning Across Diverse Tabular Datasets
di: Shmuel, Assaf, et al.
Pubblicazione: (2024)

Highly Imbalanced Regression with Tabular Data in SEP and Other Applications
di: Moukpe, Josias K., et al.
Pubblicazione: (2025)

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

A Deep Learning Approach for Imbalanced Tabular Data in Advertiser Prospecting: A Case of Direct Mail Prospecting
di: Farhang, Sadegh, et al.
Pubblicazione: (2024)

A Systematic Framework for Tabular Data Disentanglement
di: Tjuawinata, Ivan, et al.
Pubblicazione: (2026)

CTTVAE: Latent Space Structuring for Conditional Tabular Data Generation on Imbalanced Datasets
di: Devic, Milosh, et al.
Pubblicazione: (2026)

Synthetic Tabular Data Generation for Imbalanced Classification: The Surprising Effectiveness of an Overlap Class
di: D'souza, Annie, et al.
Pubblicazione: (2024)

Attention versus Contrastive Learning of Tabular Data -- A Data-centric Benchmarking
di: Rabbani, Shourav B., et al.
Pubblicazione: (2024)

Synthetic Tabular Data Generation for Class Imbalance and Fairness: A Comparative Study
di: Panagiotou, Emmanouil, et al.
Pubblicazione: (2024)

Correcting Class Imbalance in Prior-Data Fitted Networks for Tabular Classification
di: McDowell, Samuel, et al.
Pubblicazione: (2026)

StructSynth: Leveraging LLMs for Structure-Aware Tabular Data Synthesis in Low-Data Regimes
di: Liu, Siyi, et al.
Pubblicazione: (2025)

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

TIME: TabPFN-Integrated Multimodal Engine for Robust Tabular-Image Learning
di: Luo, Jiaqi, et al.
Pubblicazione: (2025)

Limited Reference, Reliable Generation: A Two-Component Framework for Tabular Data Generation in Low-Data Regimes
di: Jiang, Mingxuan, et al.
Pubblicazione: (2025)

IGL-Bench: Establishing the Comprehensive Benchmark for Imbalanced Graph Learning
di: Qin, Jiawen, et al.
Pubblicazione: (2024)

Improving GBDT Performance on Imbalanced Datasets: An Empirical Study of Class-Balanced Loss Functions
di: Luo, Jiaqi, et al.
Pubblicazione: (2024)

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

Systematic Assessment of Tabular Data Synthesis
di: Du, Yuntao, et al.
Pubblicazione: (2024)

Network Threat Detection: Addressing Class Imbalanced Data with Deep Forest
di: Chen, Jiaqi, et al.
Pubblicazione: (2025)

A Systematic Evaluation of Generative Models on Tabular Transportation Data
di: Wang, Chengen, et al.
Pubblicazione: (2025)

KMLP: A Scalable Hybrid Architecture for Web-Scale Tabular Data Modeling
di: Zhang, Mingming, et al.
Pubblicazione: (2026)

An Imbalanced Learning-based Sampling Method for Physics-informed Neural Networks
di: Luo, Jiaqi, et al.
Pubblicazione: (2025)

Accurate and Robust Generative Approach for Overcoming Data Sparsity and Imbalance in Landslide Modeling with A Tabular Foundation Model
di: Shao, Kaixuan, et al.
Pubblicazione: (2026)

An Empirical Study of Machine Learning Robustness and Scalability for Imbalanced Tabular Clinical Data in Emergency and Critical Care
di: Brima, Yusuf, et al.
Pubblicazione: (2025)

Benchmarking Distribution Shift in Tabular Data with TableShift
di: Gardner, Josh, et al.
Pubblicazione: (2023)

Benchmarking Federated Machine Unlearning methods for Tabular Data
di: Xiao, Chenguang, et al.
Pubblicazione: (2025)

Towards Benchmarking Foundation Models for Tabular Data With Text
di: Mráz, Martin, et al.
Pubblicazione: (2025)

STRABLE: Benchmarking Tabular Machine Learning with Strings
di: Blayer, Gioia, et al.
Pubblicazione: (2026)

Benchmarking Optimizers for MLPs in Tabular Deep Learning
di: Gorishniy, Yury, et al.
Pubblicazione: (2026)

TabAttackBench: A Benchmark for Adversarial Attacks on Tabular Data
di: He, Zhipeng, et al.
Pubblicazione: (2025)

Impact of Leakage on Data Harmonization in Machine Learning Pipelines in Class Imbalance Across Sites
di: Nieto, Nicolás, et al.
Pubblicazione: (2024)

LATTLE: LLM Attention Transplant for Transfer Learning of Tabular Data Across Disparate Domains
di: Kowsar, Ibna, et al.
Pubblicazione: (2025)

Do Physics Foundation Models Learn Generalizable Physics? A Bias-Aware Benchmark Across Physical Regimes and Distribution Shifts
di: Chu, Mengdi, et al.
Pubblicazione: (2026)