Papers with Code 아카이브
Model Selection
태스크의 하위 분류와 논문·코드·평가·기법·데이터셋을 탐색하세요.
- 하위 태스크
- 0
- 평가표
- 0
- 보존된 평가 기록
- 0
Given a set of candidate models, the goal of Model Selection is to select the model that best approximates the observed data and captures its underlying regularities. Model Selection criteria are defined such that they strike a balance between the goodness of fit, and the generalizability or complexity of the models.
논문
이 태스크와 하위 분야의 관련 논문입니다. 실제 성능 비교는 평가 결과에서 확인하세요.
하이브리드 구조의 에이전트 기반 발견을 통한 심장 전기생리학 디지털 트윈 학습
Mordal: 비전-언어 모델(VLM)을 위한 자동화된 사전학습 모델 선택
인과 추론에서 모델 선택의 중요한 역할: 약물감시를 위한 InferBERT 프레임워크 내 분류 모델 비교 분석
CFD 기반 합성 데이터를 이용한 선박 자유 주행 기동 시스템 식별을 위한 정규화 머신러닝: 비교 연구
시변 수요 하 제약 밴딧 기반 온라인 LLM 선택
사전 미세조정 예측을 위한 위험 분해 프레임워크
TuneAhead: 전체 학습 시작 전 미세조정 성능 예측
순위 상관과 최근접 이웃을 이용한 일반 분류 모델의 메타 분류
벤치마크에서 스킬로: LLM 평가를 위한 낮은 순위 요인
ReCal: RL 기반 LLM 라우팅을 위한 보상 보정
검증 위기를 넘어서: 교차 검증은 벤치마킹 분산을 놀랍도록 효과적으로 줄인다
Brick: 모델 혼합(MoM) 패러다임을 위한 공간 능력 라우팅
양자 회로 시뮬레이션 성능 예측을 위한 패밀리 인식 잔차 아키텍처
TimeRouter: 시계열 파운데이션 모델의 효율적이고 적응적인 라우팅
양자 Occam 학습: 회로 기반 양자 학습을 위한 샘플 지원 표현력
데이터셋에서 다중 해석 찾기
ATLAS: 자동화된 과학을 위한 능동적 이론 학습
작은 실험, 더 저렴한 결정: 마이크로 사전학습(Micro-Pretraining)을 위한 단계적 승격(Staged Promotion) 사례 연구
Gumbel-BEARD: 저자원 도메인에서 Whisper의 자기지도 적응을 위한 자동 층 선택
AI 에이전트를 활용한 실험의 사전등록
장기 연구 에이전트를 위한 검색 규율
DIRECT: 임베디드 플래너에서 테스트 타임 컴퓨트를 언제 어디서 할당해야 하는가?
의료 텍스트 생성을 위한 중증도 인식 커리큘럼 학습 및 다중 모델 응답 선택
MADE: 세밀한 평가 통찰을 위한 다국어 에이전트 진단 엔진을 통한 점수 산출을 넘어서
정말 확실한가요? 기호 회귀에서 불확실성 정량화에 대한 포괄적이고 이해하기 쉬운 서베이
경쟁 모델 하에서의 학습 해석: 동적 인지 진단을 위한 공동 및 단계적 접근법
물리 정보 서로게이트의 의사결정 인식 평가
신경 스케일링 법칙을 활용한 심장초음파 심근 분할 및 관류 정량화를 위한 연산 최적 네트워크 설계
Topic Modeling and Link-Prediction for Material Property Discovery
Advanced Financial Reasoning at Scale: A Comprehensive Evaluation of Large Language Models on CFA Level III
mTSBench: Benchmarking Multivariate Time Series Anomaly Detection and Model Selection at Scale
Leveraging Predictive Equivalence in Decision Trees
The use of cross validation in the analysis of designed experiments
Gradient Boosting for Spatial Regression Models with Autoregressive Disturbances
Evaluating Generalization and Representation Stability in Small LMs via Prompting, Fine-Tuning and Out-of-Distribution Prompts
출처: Papers with Code · CC BY-SA 4.0. 아카이브 자료와 새로 수집한 논문은 별도로 관리합니다.