arXiv 人工智能中的公平性是一个复杂且不断演变的挑战，它持续在科技界引发激烈的辩论和研究。当我们应对人工智能决策的伦理影响时，我们提出了一种名为 ManyFairHPO 的新方法，为这个关键问题提供了全新的视角。虽然它并非万灵丹，但这个创新的框架 […]
《许多世界之梦：学习上下文世界模型助力零样本泛化》
作者：Sai Prasanna Raman, Karim Farid, Raghu Rajan, André Biedenkapp 零样本泛化 (ZSG) 到未见过的动态是创建通用型具身智能体的主要挑战。为了应对更广泛的挑战，我们从更简单的上下文强化学习 (cRL) 设置开始，假设上下文值的可观测性，这些值参数化了系统 […] 中的变化。
介绍 Hypersweeper：弥合 AutoML 研究与机器学习实践者之间的 HPO 鸿沟
AutoML 工具在更广泛的机器学习社区中缺乏普及一直是该领域内反复讨论的话题。这是否是由于对这些系统缺乏信任？我们的基准测试是否未能反映真实世界的用例？或者仅仅是因为寻找和实施最先进的方法过于困难？ […]
用于时间序列预测的一次性神经网络架构搜索
作者：Difan Deng 和 Marius Lindauer 摘要：在我们的论文中，我们提出了一种用于时间序列预测任务的一次性神经网络架构搜索空间。我们的搜索空间包含一个混合网络，其中包含一个序列网络（例如，直接处理序列的 Transformer 和 RNN）和一个扁平网络（例如，处理每个变量的 MLP […]）
在深度强化学习中融入结构
作者：Aditya Mohan, Amy Zhang, Marius Lindauer 深度强化学习（RL）在从玩复杂游戏到控制机器人系统等各个领域都取得了显著进展。然而，其在现实世界场景中的应用仍然面临诸多挑战，例如数据效率低下、泛化能力有限以及缺乏安全保证。这项工作全面概述了 […]
立场：呼吁建立以人为中心的 AutoML 范式
论文作者 Marius Lindauer, Florian Karl, Anne Klier, Julia Moosbauer, Alexander Tornede, Andreas Mueller, Frank Hutter, Matthias Feurer, Bernd Bischl 动机 自动化机器学习 (AutoML) 通过自动化机器学习模型的创建和优化，极大地改变了机器学习领域。这为机器学习的民主化开辟了一条道路，使其可供 […] 使用
2023 年回顾 – 汉诺威 AutoML
汉诺威 AutoML 团队 2023 年是我们汉诺威 AutoML 团队（一个相对年轻的团队）最成功的一年。随着几个大型项目的启动，包括关于交互式和可解释 AutoML 的 ERC 启动拨款以及由 BMUV 资助的绿色 AutoML 项目，团队不断壮大，我们得以 […]
参数正则化的新视野：一种约束方法
作者：Jörg Franke, Michael Hefenbrock, Gregor Koehler, Frank Hutter 简介 我们在最近的预印本中提出了一种用于深度学习的参数正则化新方法：约束参数正则化 (CPR)。它是传统权重衰减的替代方案。我们不是对所有参数统一施加恒定惩罚，而是对统计 […] 的上限进行强制
重新思考 RNA 二级结构问题的性能度量
摘要：在我们的 NeurIPS 研讨会论文中，我们分析了用于评估 RNA 二级结构预测算法的不同性能度量，表明常用度量在某些设置中存在缺陷。然后，我们提出了 Weisfeiler-Lehman 图核作为该领域性能评估的有效度量。RNA 二级结构预测 核糖核酸 (RNA) […]
LC-PFN：使用先验数据拟合网络进行高效贝叶斯学习曲线外推
作者：Steven Adriaensen*、Herilalaina Rakotoarison*、Samuel Müller 和 Frank Hutter 摘要：在我们的论文中，我们提出了 LC-PFN，一种用于贝叶斯学习曲线外推的新方法。LC-PFN 是一种先验数据拟合网络 (PFN)，一个在合成学习曲线数据上训练的 Transformer，能够通过一次前向传播进行贝叶斯学习曲线外推。我们证明了我们的 […]