实体
Tabular machine learning
Tabular machine learning
PulseAugur coverage of Tabular machine learning — every cluster mentioning Tabular machine learning across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
智能体AI为表格机器学习设计改进的搜索空间
研究人员开发了能够为表格机器学习模型设计改进的超参数优化（HPO）搜索空间的智能体AI系统。这些智能体提出了各种管道模块的代码实现，当与传统HPO结合时，可在众多数据集上带来性能提升。扩展的搜索空间平均相对性能提升了0.6%，在回归任务上表现尤为突出，并有效地迁移到了TabArena基准测试中，优于现有集成模型。
-
新的XAI框架A-CBFI改进了表格机器学习的可追溯性
研究人员开发了一个名为可操作的案例基础特征重要性（A-CBFI）的新框架，以改进表格机器学习的可解释人工智能（XAI）。该框架集成了结构分解和因果反事实追溯，以解决当前方法中的因果无效和认知负担过重等挑战。A-CBFI将干预措施集中在已诊断的根本原因上，在保持与详尽因果基线相当的可追溯成本的同时，将主动人工干预负担降低了76%以上。
-
新的机器学习基准框架突显模型不可替代的优势
一种新的机器学习模型评估框架，称为“以数据为中心的峰值性能前沿”，旨在超越简单的聚合指标。这种方法识别那些在特定数据集上实现顶级性能不可替代的模型，而不仅仅是那些在许多数据集上表现一致良好的模型。研究表明，当前基准测试中的聚合方法常常奖励避免失败的模型，可能会掩盖其他模型独特、特定于数据集的优势。扩展可达到的峰值性能集应成为基准评估进展的关键衡量标准。