Zobrazeno 1 - 10
of 24
pro vyhledávání: '"Fischer, Raphael"'
Autor:
Fischer, Raphael, Saadallah, Amal
Automated machine learning (AutoML) streamlines the creation of ML models. While most methods select the "best" model based on predictive quality, it's crucial to acknowledge other aspects, such as interpretability and resource consumption. This hold
Externí odkaz:
http://arxiv.org/abs/2312.13038
Advances in artificial intelligence need to become more resource-aware and sustainable. This requires clear assessment and reporting of energy efficiency trade-offs, like sacrificing fast running time for higher predictive performance. While first me
Externí odkaz:
http://arxiv.org/abs/2304.08359
Autor:
Polonelli, Tommaso, Müller, Hanna, Kong, Weikang, Fischer, Raphael, Benini, Luca, Magno, Michele
This paper presents a low-power, self-sustainable, and modular wireless sensor node for aerodynamic and acoustic measurements on wind turbines and other industrial structures. It includes 40 high-accuracy barometers, 10 microphones, 5 differential pr
Externí odkaz:
http://arxiv.org/abs/2205.11902
Autor:
Morik, Katharina, Kotthaus, Helena, Heppe, Lukas, Heinrich, Danny, Fischer, Raphael, Pauly, Andreas, Piatkowski, Nico
Machine learning applications have become ubiquitous. This has led to an increased effort of making machine learning trustworthy. Explainable and fair AI have already matured. They address knowledgeable users and application engineers. For those who
Externí odkaz:
http://arxiv.org/abs/2106.00512
Autor:
Morik, Katharina, Kotthaus, Helena, Fischer, Raphael, Mücke, Sascha, Jakobs, Matthias, Piatkowski, Nico, Pauly, Andreas, Heppe, Lukas, Heinrich, Danny
Publikováno v:
Frontiers in Artificial Intelligence, September 2022
Machine learning applications have become ubiquitous. Their applications range from embedded control in production machines over process optimization in diverse areas (e.g., traffic, finance, sciences) to direct user interactions like advertising and
Externí odkaz:
http://arxiv.org/abs/2105.10197
Autor:
Beckh, Katharina, Müller, Sebastian, Jakobs, Matthias, Toborek, Vanessa, Tan, Hanxiao, Fischer, Raphael, Welke, Pascal, Houben, Sebastian, von Rueden, Laura
This survey presents an overview of integrating prior knowledge into machine learning systems in order to improve explainability. The complexity of machine learning models has elicited research to make them more explainable. However, most explainabil
Externí odkaz:
http://arxiv.org/abs/2105.10172
Publikováno v:
In Arthroscopy, Sports Medicine, and Rehabilitation August 2022 4(4):e1403-e1408
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.