Platzhalterbild der Organisationseinheit

Fachgebiet Maschinelles Lernen

Organisation: Arbeitsgruppe

Forschungs-netzwerk anzeigen
1 - 20 von 97Seitengröße: 20

Publikationen

  1. 2024
  2. Angenommen/Im Druck

    [Experiments & Analysis] How Green is AutoML for Tabular Data?

    Neutatz, F., Lindauer, M. & Abedjan, Z., Okt. 2024, (Angenommen/Im Druck) Proceedings of EDBT 2025.

    Publikation: Beitrag in Buch/Bericht/Sammelwerk/Konferenzband › Aufsatz in Konferenzband › Forschung › Peer-Review

  3. Angenommen/Im Druck

    Towards Enhancing Predictive Representations using Relational Structure in Reinforcement Learning

    Mohan, A. & Lindauer, M., 30 Sept. 2024, (Angenommen/Im Druck) The 17th European Workshop on Reinforcement Learning (EWRL 2024).

    Publikation: Beitrag in Buch/Bericht/Sammelwerk/Konferenzband › Abstract in Konferenzband › Forschung › Peer-Review

  4. Veröffentlicht

    AMLTK: A Modular AutoML Toolkit in Python

    Bergman, E., Feurer, M., Bahram, A., Rezaei, A., Purucker, L., Segel, S., Lindauer, M. & Eggensperger, K., 14 Aug. 2024, in: The Journal of Open Source Software. 9, 100, 4 S., 6367.

    Publikation: Beitrag in Fachzeitschrift › Artikel › Forschung › Peer-Review

  5. Angenommen/Im Druck

    Hyperparameter Importance Analysis for Multi-Objective AutoML

    Theodorakopoulos, D., Stahl, F. & Lindauer, M., 4 Juli 2024, (Angenommen/Im Druck) Proceedings of the european conference on AI (ECAI).

    Publikation: Beitrag in Buch/Bericht/Sammelwerk/Konferenzband › Aufsatz in Konferenzband › Forschung › Peer-Review

  6. Veröffentlicht

    AutoML in Heavily Constrained Applications

    Neutatz, F., Lindauer, M. & Abedjan, Z., Juli 2024, in: VLDB Journal. 33, 4, S. 957–979 23 S.

    Publikation: Beitrag in Fachzeitschrift › Artikel › Forschung › Peer-Review

  7. Elektronisch veröffentlicht (E-Pub)

    Position: Why We Must Rethink Empirical Research in Machine Learning

    Herrmann, M., Lange, F. J. D., Eggensperger, K., Casalicchio, G., Wever, M., Feurer, M., Rügamer, D., Hüllermeier, E., Boulesteix, A. & Bischl, B., Juli 2024, (Elektronisch veröffentlicht (E-Pub)) Proceedings of the international conference on machine learning.

    Publikation: Beitrag in Buch/Bericht/Sammelwerk/Konferenzband › Beitrag in Buch/Sammelwerk › Forschung › Peer-Review

  8. Elektronisch veröffentlicht (E-Pub)

    ALPBench: A Benchmark for Active Learning Pipelines on Tabular Data

    Margraf, V., Wever, M., Gilhuber, S., Tavares, G. M., Seidl, T. & Hüllermeier, E., 15 Juni 2024, (Elektronisch veröffentlicht (E-Pub)).

    Publikation: Arbeitspapier/Preprint › Preprint

  9. Elektronisch veröffentlicht (E-Pub)

    Optimizing Time Series Forecasting Architectures: A Hierarchical Neural Architecture Search Approach

    Deng, D. & Lindauer, M., 10 Juni 2024, (Elektronisch veröffentlicht (E-Pub)) (ArXiv).

    Publikation: Arbeitspapier/Preprint › Preprint

  10. Veröffentlicht

    Verfahren zum Trainieren eines Algorithmus des maschinellen Lernens durch ein bestärkendes Lernverfahren

    Eimer, T., Hutter, F., Lindauer, M. & Biedenkapp, A., 4 Apr. 2024, IPC Nr. G06N20/00, Patent Nr. DE102022210480A1, 4 Okt. 2022, Prioritätsdatum 4 Okt. 2022, Prioritätsnr. DE202210210480A

    Publikation: Schutzrecht/Patent › Patent

  11. Elektronisch veröffentlicht (E-Pub)

    Towards Leveraging AutoML for Sustainable Deep Learning: A Multi-Objective HPO Approach on Deep Shift Neural Networks

    Hennig, L., Tornede, T. & Lindauer, M., 2 Apr. 2024, (Elektronisch veröffentlicht (E-Pub)) 5th Workshop on practical ML for limited/low resource settings.

    Publikation: Beitrag in Buch/Bericht/Sammelwerk/Konferenzband › Aufsatz in Konferenzband › Forschung › Peer-Review

  12. Angenommen/Im Druck

    auto-sktime: Automated Time Series Forecasting

    Zöller, M., Lindauer, M. & Huber, M., Apr. 2024, (Angenommen/Im Druck) Proceedings of the 18TH Learning and Intelligent Optimization Conference (LION).

    Publikation: Beitrag in Buch/Bericht/Sammelwerk/Konferenzband › Aufsatz in Konferenzband › Forschung › Peer-Review

  13. Elektronisch veröffentlicht (E-Pub)

    Structure in Deep Reinforcement Learning: A Survey and Open Problems

    Mohan, A., Zhang, A. & Lindauer, M., Apr. 2024, (Elektronisch veröffentlicht (E-Pub)) in: Journal of Artificial Intelligence Research.

    Publikation: Beitrag in Fachzeitschrift › Artikel › Forschung › Peer-Review

  14. Veröffentlicht

    Interactive Hyperparameter Optimization in Multi-Objective Problems via Preference Learning

    Giovanelli, J., Tornede, A., Tornede, T. & Lindauer, M., 24 März 2024, Proceedings of the 38th conference on AAAI. Wooldridge, M., Dy, J. & Natarajan, S. (Hrsg.). S. 12172-12180 9 S. (Proceedings of the AAAI Conference on Artificial Intelligence; Band 38, Nr. 11).

    Publikation: Beitrag in Buch/Bericht/Sammelwerk/Konferenzband › Aufsatz in Konferenzband › Forschung › Peer-Review

  15. Elektronisch veröffentlicht (E-Pub)

    AutoML in the Age of Large Language Models: Current Challenges, Future Opportunities and Risks

    Tornede, A., Deng, D., Eimer, T., Giovanelli, J., Mohan, A., Ruhkopf, T., Segel, S., Theodorakopoulos, D., Tornede, T., Wachsmuth, H. & Lindauer, M., 9 Feb. 2024, (Elektronisch veröffentlicht (E-Pub)) in: Transactions on Machine Learning Research.

    Publikation: Beitrag in Fachzeitschrift › Artikel › Forschung › Peer-Review

  16. Elektronisch veröffentlicht (E-Pub)

    Information Leakage Detection through Approximate Bayes-optimal Prediction

    Gupta, P., Wever, M. & Hüllermeier, E., 25 Jan. 2024, (Elektronisch veröffentlicht (E-Pub)).

    Publikation: Arbeitspapier/Preprint › Preprint

  17. Elektronisch veröffentlicht (E-Pub)

    ARLBench: Flexible and Efficient Benchmarking for Hyperparameter Optimization in Reinforcement Learning

    Becktepe, J., Dierkes, J., Benjamins, C., Mohan, A., Salinas, D., Rajan, R., Hutter, F., Hoos, H., Lindauer, M. & Eimer, T., 2024, (Elektronisch veröffentlicht (E-Pub)) 17th European Workshop on Reinforcement Learning (EWRL 2024).

    Publikation: Beitrag in Buch/Bericht/Sammelwerk/Konferenzband › Aufsatz in Konferenzband › Forschung › Peer-Review

  18. Elektronisch veröffentlicht (E-Pub)

    Instance Selection for Dynamic Algorithm Configuration with Reinforcement Learning: Improving Generalization

    Benjamins, C., Cenikj, G., Nikolikj, A., Mohan, A., Eftimov, T. & Lindauer, M., 2024, (Elektronisch veröffentlicht (E-Pub)) Genetic and Evolutionary Computation Conference (GECCO).

    Publikation: Beitrag in Buch/Bericht/Sammelwerk/Konferenzband › Aufsatz in Konferenzband › Forschung › Peer-Review

  19. Veröffentlicht

    On the Importance of Initialization in Active Learning

    Margraf, V., Wever, M. D. & Hüllermeier, E., 2024.

    Publikation: Konferenzbeitrag › Paper › Forschung › Peer-Review

  20. Elektronisch veröffentlicht (E-Pub)

    Position Paper: A Call to Action for a Human-Centered AutoML Paradigm

    Lindauer, M., Karl, F., Klier, A., Moosbauer, J., Tornede, A., Müller, A., Hutter, F., Feurer, M. & Bischl, B., 2024, (Elektronisch veröffentlicht (E-Pub)) Proceedings of the international conference on machine learning.

    Publikation: Beitrag in Buch/Bericht/Sammelwerk/Konferenzband › Aufsatz in Konferenzband › Forschung › Peer-Review

  21. 2023
  22. Veröffentlicht

    AutoML: advanced tool for mining multivariate plant traits

    Shoaib, M., Kotthoff, L., Lindauer, M. & Kant, S., Dez. 2023, in: Trends in Plant Science. 28, 12, S. 1451-1452 2 S.

    Publikation: Beitrag in Fachzeitschrift › Artikel › Forschung › Peer-Review

Vorherige 1 2 3 4 5 Nächste