Buchumschlag

Calibrated Preference Learning: The Case of Label Ranking

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Thies, Santo M. A. R., Bengs, Viktor, Kaufmann, Timo, Vollmer, Sebastian J., Hüllermeier, Eyke
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

Uncertainty Quantification as a Principled Foundation for Explainable Artificial Intelligence: A Case Study of Counterfactual Explanations
von: Sokol, Kacper, et al.
Veröffentlicht: (2025)

A Survey of Reinforcement Learning from Human Feedback
von: Kaufmann, Timo, et al.
Veröffentlicht: (2023)

Is Epistemic Uncertainty Faithfully Represented by Evidential Deep Learning Methods?
von: Jürgens, Mira, et al.
Veröffentlicht: (2024)

A calibration test for evaluating set-based epistemic uncertainty representations
von: Jürgens, Mira, et al.
Veröffentlicht: (2025)

Co-Exploration and Co-Exploitation via Shared Structure in Multi-Task Bandits
von: Mukherjee, Sumantrak, et al.
Veröffentlicht: (2025)

ResponseRank: Data-Efficient Reward Modeling through Preference Strength Learning
von: Kaufmann, Timo, et al.
Veröffentlicht: (2025)

Proxy-Based Approximation of Shapley and Banzhaf Interactions
von: Thies, Santo M. A. R., et al.
Veröffentlicht: (2026)

Pairwise Difference Learning for Classification
von: Belaid, Mohamed Karim, et al.
Veröffentlicht: (2024)

Inverse Constitutional AI: Compressing Preferences into Principles
von: Findeis, Arduin, et al.
Veröffentlicht: (2024)

Approximating the Shapley Value without Marginal Contributions
von: Kolpaczki, Patrick, et al.
Veröffentlicht: (2023)

Antithetic Sampling for Top-k Shapley Identification
von: Kolpaczki, Patrick, et al.
Veröffentlicht: (2025)

Feedback Forensics: A Toolkit to Measure AI Personality
von: Findeis, Arduin, et al.
Veröffentlicht: (2025)

shapiq: Shapley Interactions for Machine Learning
von: Muschalik, Maximilian, et al.
Veröffentlicht: (2024)

KernelSHAP-IQ: Weighted Least-Square Optimization for Shapley Interactions
von: Fumagalli, Fabian, et al.
Veröffentlicht: (2024)

Linear-LLM-SCM: Benchmarking LLMs for Coefficient Elicitation in Linear-Gaussian Causal Models
von: Yamaoka, Kanta, et al.
Veröffentlicht: (2026)

Mitigating Label Noise through Data Ambiguation
von: Lienen, Julian, et al.
Veröffentlicht: (2023)

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

Random Forest Calibration
von: Shaker, Mohammad Hossein, et al.
Veröffentlicht: (2025)

Adjusted Count Quantification Learning on Graphs
von: Damke, Clemens, et al.
Veröffentlicht: (2025)

Exact Computation of Any-Order Shapley Interactions for Graph Neural Networks
von: Muschalik, Maximilian, et al.
Veröffentlicht: (2025)

Large-Batch, Iteration-Efficient Neural Bayesian Design Optimization
von: Ansari, Navid, et al.
Veröffentlicht: (2023)

Optimal Conformal Prediction under Epistemic Uncertainty
von: Javanmardi, Alireza, et al.
Veröffentlicht: (2025)

CLANE: Continual Learning of Actions on Neuromorphic Hardware from Event Cameras
von: Hajizada, Elvin, et al.
Veröffentlicht: (2026)

Explaining Similarity in Vision-Language Encoders with Weighted Banzhaf Interactions
von: Baniecki, Hubert, et al.
Veröffentlicht: (2025)

Preference Learning Algorithms Do Not Learn Preference Rankings
von: Chen, Angelica, et al.
Veröffentlicht: (2024)

Label-wise Aleatoric and Epistemic Uncertainty Quantification
von: Sale, Yusuf, et al.
Veröffentlicht: (2024)

Dirichlet-Based Prediction Calibration for Learning with Noisy Labels
von: Zong, Chen-Chen, et al.
Veröffentlicht: (2024)

Linear Opinion Pooling for Uncertainty Quantification on Graphs
von: Damke, Clemens, et al.
Veröffentlicht: (2024)

Distribution Matching for Graph Quantification Under Structural Covariate Shift
von: Damke, Clemens, et al.
Veröffentlicht: (2025)

CUQ-GNN: Committee-based Graph Uncertainty Quantification using Posterior Networks
von: Damke, Clemens, et al.
Veröffentlicht: (2024)

Aleatoric and Epistemic Uncertainty Measures for Ordinal Classification through Binary Reduction
von: Haas, Stefan, et al.
Veröffentlicht: (2025)

Quantification of Credal Uncertainty: A Distance-Based Approach
von: Gonzalez-Garcia, Xabier, et al.
Veröffentlicht: (2026)

OCALM: Object-Centric Assessment with Language Models
von: Kaufmann, Timo, et al.
Veröffentlicht: (2024)

Credal Prediction based on Relative Likelihood
von: Löhr, Timo, et al.
Veröffentlicht: (2025)

FairPO: Robust Preference Optimization for Fair Multi-Label Learning
von: Mondal, Soumen Kumar, et al.
Veröffentlicht: (2025)

SCATR: Simple Calibrated Test-Time Ranking
von: Shyamal, Divya, et al.
Veröffentlicht: (2026)

GRAFT: Decoupling Ranking and Calibration for Survival Analysis
von: Ashhad, Mohammad, et al.
Veröffentlicht: (2026)

ConfoundingSHAP: Quantifying confounding strength in causal inference
von: Brockschmidt, Marie, et al.
Veröffentlicht: (2026)

Uncertainty Quantification for Machine Learning: One Size Does Not Fit All
von: Hofman, Paul, et al.
Veröffentlicht: (2025)

Aligning Evaluation with Clinical Priorities: Calibration, Label Shift, and Error Costs
von: Flores, Gerardo A., et al.
Veröffentlicht: (2025)