Convex Methods for Constrained Linear Bandits
Stanford University（斯坦福大学）；University of California Santa Barbara（加州大学圣塔芭芭拉分校）
本文提出利用凸规划工具构建计算高效的安全线性赌博机算法框架，刻画最优策略性质并设计仅含凸问题的端到端流水线，数值评估验证其性能。
2023-11-10 cs.LG cs.SY eess.SY
AutoML for Contextual Bandits
Google Inc.（谷歌公司）
上下文强盗是广泛流行的技术之一，用于个性化，推荐系统，移动健康，因果营销等应用。作为一种动态的方法，它可以比标准的A/B测试更有效地减少遗憾。我们提出了一个端到端的自动元学习管道，以近似上下文强盗问题的最佳Q函数。我们看到，我们的模型能够比随机探索表现得更好，更有效，并且能够收敛有限数量的样本，同时由于元学习方法而保持非常通用和易于使用。我们使用线性退火的e-贪婪探索策略来定义探索与开发时间表。我们在一个合成环境中测试了该系统，以充分表征它，并在一些开源数据集上对其进行了评估，以与之前的工作进行基准测试。我们看到，我们的模型优于其他模型，同时不需要调优或功能工程。
2022-02-02 cs.AI cs.LG stat.ML
Bandit Data-Driven Optimization
Carnegie Mellon University（卡内基梅隆大学）；Connect（98Connect）
机器学习在非营利和公共部门的应用通常具有数据采集、预测和干预优化的迭代工作流程。机器学习管道必须克服四个主要的痛点，才能在这些环境中发挥实际作用：小数据，仅在默认干预下收集的数据，由于沟通差距造成的未建模目标，以及干预的不可预见后果。在本文中，我们介绍了Bandit数据驱动优化，这是第一个迭代预测处方框架，可以解决这些痛点。Bandit数据驱动优化在集成框架中结合了在线Bandit学习和离线预测分析的优势。我们提出了PROOF，一个新的算法，这个框架，并正式证明，它没有遗憾。使用数值模拟，我们表明，PROOF实现优于现有的基线性能。我们还将PROOF应用于食品救援志愿者推荐的详细案例研究中，并表明PROOF作为一个框架可以很好地与非营利和公共部门应用中现实世界AI中复杂的ML模型配合使用。
2022-01-14 cs.AI cs.CY cs.LG
A Framework for Fair Evaluation of Variance-Aware Bandit Algorithms
University of Mannheim School of Business Informatics and Mathematics（曼海姆大学商学院信息与数学学院）
针对MAB算法评估缺乏标准化的问题，提出基于Bandit Playground的可复现评估框架，系统比较八种经典与方差感知算法，揭示了方差感知方法在高不确定性环境下的优势条件。
2025-10-30 cs.AI cs.LG
Automatic Machine Learning by Pipeline Synthesis using Model-Based Reinforcement Learning and a Grammar
New York University（纽约大学）；Royal Holloway, University of London（伦敦大学皇家霍洛威学院）
自动机器学习是机器学习研究的前沿课题。最强大的AutoML系统基于神经网络、进化算法和贝叶斯优化。最近，AlphaD3M使用带有自我游戏的强化学习实现了数量级加速，达到了最先进的结果。在这项工作中，我们通过使用流水线语法和预训练模型来扩展AlphaD3M，该模型从许多不同的数据集和类似的任务中概括出来。我们的研究结果表明，与我们早期的工作和AutoML基准数据集上的现有方法相比，分类和回归任务的性能有所提高。本着可重复研究的精神，我们将我们的数据、模型和代码公开提供。
2019-05-24 cs.LG stat.ML
Rethinking Reinforcement fine-tuning of LLMs: A Multi-armed Bandit Learning Perspective
University of Science and Technology of China（中国科学技术大学）；IFlyTek (China)（iFlytek（中国））
本文从多臂老虎机学习视角重新思考大语言模型的强化微调，通过极简实验流程揭示优化选择的作用及瓶颈问题，为该领域提供新见解。
2026-01-21 cs.AI cs.LG
MABSplit: Faster Forest Training Using Multi-Armed Bandits
Stanford University（斯坦福大学）；Oxford University（牛津大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院）
随机森林是当今最广泛使用的机器学习模型之一，尤其是在需要可解释性的领域。我们提出了一个算法，加速训练的随机森林和其他流行的基于树的学习方法。在我们的算法的核心是一个新的节点分裂子程序，被称为MABSplit，用于有效地找到分裂点时，构建决策树。我们的算法借用技术从多臂土匪文学明智地确定如何分配样本和计算能力的候选分裂点。我们提供了理论上的保证，MABSplit提高了样本的复杂性，每个节点分裂从线性对数的数据点的数量。在某些设置中，MABSplit可以使训练速度加快100倍（训练时间减少99%），而不会降低泛化性能。当MABSplit用于各种基于森林的变体时，我们展示了类似的加速，例如极端随机森林和随机补丁。我们还表明，我们的算法可以用于分类和回归任务。最后，我们表明，MABSplit优于现有的方法在泛化性能和特征重要性计算下，一个固定的计算预算。我们所有的实验结果都可以通过https://github.com/ThrunGroup/FastForest上的一行脚本重现。
2022-12-14 cs.DS cs.LG
Prompt Optimization with Logged Bandit Data
Cranberry-Lemon University（蔓越莓柠檬大学）；University of the Witwatersrand（威特沃特斯兰德大学）
本文研究利用用户反馈优化LLM提示生成个性化句子，提出基于核的离线策略梯度方法，利用生成句子相似性降低方差并抑制偏差，在电影推荐基准上验证了其有效性。
2025-04-03 cs.AI cs.IR cs.LG
In-Context Decision Making for Optimizing Complex AutoML Pipelines
Department of Computer Science, University of Tübingen（图宾根大学计算机科学系）
本文提出PS-PFN框架，通过扩展后验采样方法解决复杂AutoML流水线选择与适应问题，实验显示其优于其他策略。
2026-04-08 cs.AI cs.LG
A Bandit-Based Algorithm for Fairness-Aware Hyperparameter Optimization
Feedzai（飞载）；Universidade do Porto（波尔图大学）
相当多的研究工作已被引导到算法公平性，但仍然没有重大突破。在实践中，需要对所有可能的技术和超参数进行详尽的搜索，以找到最佳的公平性-准确性权衡。因此，再加上ML从业者缺乏工具，减少偏差方法的实际应用仍然很少。为了解决这个问题，我们提出了Fairband，一个基于带宽的公平感知超参数优化（HO）算法。Fairband在概念上简单，资源有效，易于实现，并且对目标指标，模型类型和正在探索的超参数空间都不可知。此外，通过将公平概念引入HO，我们可以将公平目标无缝有效地集成到现实世界的ML管道中。我们比较Fairband与流行的HO方法在四个现实世界的决策数据集。我们表明，Fairband可以有效地导航的公平性和准确性的权衡，通过超参数优化。此外，在没有额外的训练成本的情况下，它始终发现在预测准确性的相对较小的降低下实现大幅提高的公平性的配置。
2020-10-22 cs.AI cs.LG
Billion-Scale Thumbnail Optimization for Uncurated Short-Form Videos via Multi-Armed Bandits
Google（谷歌）
本文提出一个基于多臂老虎机的全自动端到端框架，在十亿级短视频平台上动态选择最优缩略图，通过图像先验降低探索成本，显著提升用户发现与参与指标。
2026-10-06 cs.LG
Budget-Constrained Causal Bandits: Bridging Uplift Modeling and Sequential Decision-Making
本文提出预算约束因果老虎机框架，解决冷启动场景下的广告分配问题，通过在线学习提升用户响应并优化预算分配，相较于传统方法更高效且稳定。
2026-08-31 cs.LG econ.EM stat.ML
Zeroth-Order Policy Gradient for Reinforcement Learning from Human Feedback without Reward Inference
University of Michigan（密歇根大学）
针对一般RL问题，提出两种无需奖励推断的RLHF算法，通过零阶梯度近似策略梯度，在随机环境中优于DPO和PPO基线。
2025-03-03 cs.LG stat.ML
In-Context Curiosity: Distilling Exploration for Decision-Pretrained Transformers on Bandit Tasks
University of California, Los Angeles（加州大学洛杉矶分校）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
针对决策预训练Transformer（DPTs）难以泛化到预训练数据分布外的问题，提出情境好奇心正则化项与PPT框架，用奖励预测误差作为内在信号鼓励探索，在高斯多臂老虎机实验中提升了分布外泛化鲁棒性。
2025-09-30 cs.AI cs.LG cs.MA
Contextual Bandits for Resource-Constrained Devices using Probabilistic Learning
Sapienza University of Rome（罗马大学）；Örebro University（奥雷布罗大学）；Örebro University Linköping University（奥雷布罗大学-林奈大学）；Örebro University Research Institutes of Sweden（瑞典奥雷布罗大学研究机构）
本文提出了一种低精度的概率HD-CB方法，通过概率更新规则替代确定性累积，减少更新成本并提升决策质量。
2026-05-13 cs.LG
Demystifying Design Choices of Reinforcement Fine-tuning: A Batched Contextual Bandit Learning Perspective
University of Science and Technology of China（中国科学技术大学）；Daqing Oilfield Chongqing Company（重庆大庆油田公司）；IFlyTek (China)（iFlytek（中国））
本文从批量上下文老虎机学习视角，探讨强化微调中设计选择的作用与关键性，通过实验揭示各因素对学习和泛化的影响。
2026-01-30 cs.AI cs.LG
Tailored Behavior-Change Messaging for Physical Activity: Integrating Contextual Bandits and Large Language Models
University of Toronto（多伦多大学）；Ludwig Boltzmann Institute for Digital Health（卢德维希·玻尔兹曼数字健康与预防研究所）；Stanford University（斯坦福大学）
本文提出了一种结合上下文老虎机和大型语言模型的混合方法，用于个性化体力活动干预，通过动态上下文因素优化信息内容，提升干预效果和可解释性。
2026-03-03 cs.HC cs.LG stat.AP
Multi-Armed Bandit Approach for Optimizing Training on Synthetic Data
Lancaster University（兰开斯特大学）；University of Surrey（萨里大学）；UFMG（米纳斯吉拉斯联邦大学）
针对合成数据可用性评估需求，提出基于UCB的动态训练流程与属性感知老虎机合成数据生成流水线，可提升监督分类器性能，准确率最高提升10%。
2024-12-06 cs.CV cs.LG
Fast Rates for Offline Contextual Bandits with Forward-KL Regularization under Single-Policy Concentrability
Department of Computer Science, University of California, Los Angeles, CA 90095, USA（加州大学洛杉矶分校计算机科学系）
本文研究了在线上下文老虎机中前向KL正则化下的快速收敛率问题，通过简化分析提出首个$\tilde{O}(ε^{-1})$上界，统一了表格和一般函数逼近设置，并展示了下界证明了上界的统计紧性。
2026-11-10 cs.AI cs.IT cs.LG
Making Contextual Decisions with Low Technical Debt
Microsoft Research（微软研究院）；Microsoft（微软）
应用程序和系统经常面临需要根据上下文信息从一组操作中进行选择的决策。基于强化的学习算法（如上下文强盗）在这些环境中可能非常有效，但在实践中应用它们充满了技术债务，并且不存在完全支持它们的通用系统。我们解决了这个问题，并创建了第一个通用的上下文学习系统，称为决策服务。现有的系统经常受到技术债务的困扰，这些债务是由不正确的数据汇集和弱可调试性等问题引起的，我们通过ML方法和系统抽象系统地解决这些问题。决策服务使用四个系统抽象来实现上下文强盗学习的所有方面，这些抽象在一个循环中连接在一起：探索（决策空间），日志，学习和部署。值得注意的是，我们新的探索和日志抽象确保系统生成正确，无偏见的数据，我们的学习者使用这些数据进行在线学习，并以完全可复制的方式实现实时保障。决策服务有一个简单的用户界面，并与各种应用程序：我们提出了两个实时生产部署的内容推荐，实现了25- 30%的点击率提高，另一个与18%的收入提升在着陆页，和正在进行的应用程序在技术支持和机器故障处理。该服务可以做出实时决策，并持续、可扩展地学习，同时显著降低技术债务。
2017-05-09 cs.DC cs.LG
Building a Reproducible Machine Learning Pipeline
Tala（Tala公司）
建模的再现性是任何机器学习从业者都存在的问题，无论是在工业界还是学术界。不可复制的模型的后果可能包括巨大的财务成本，损失的时间，甚至个人声誉的损失（如果结果证明无法复制）。本文将首先讨论我们在构建各种机器学习模型时遇到的问题，然后描述我们为解决模型再现性问题而构建的框架。该框架由四个主要组件（数据、特征、评分和评估层）组成，这些组件本身由定义良好的转换组成。这使我们不仅能够精确地复制模型，而且还可以在不同的模型之间重用转换。因此，该平台大大提高了离线和在线实验的速度，同时还确保了模型的可重复性。
2018-10-09 cs.LG cs.SE stat.ML
Reproducible data science over data lakes: replayable data pipelines with Bauplan and Nessie
Bauplan；NYU Tandon（纽约大学坦登工程学院）
本文针对数据湖上数据工作负载难以复现的问题，提出结合Bauplan系统与开源目录Nessie，将计算与数据管理解耦，在对象存储上实现时间旅行和分支语义，仅需几条CLI命令即可实现完整的数据管道可复现性。
2024-04-21 cs.DB cs.LG
EdnaML: A Declarative API and Framework for Reproducible Deep Learning
Georgia Institute of Technology（佐治亚理工学院）；University of Sao Paulo（圣保罗大学）
机器学习已经成为文本、图像、视频和音频处理和生成方面最新进展的基石。大多数生产系统在部署和训练过程中处理多个模型，每个模型都有各种调优的超参数。此外，ML管道的数据汇集和处理方面由于其在创建可持续的高质量分类器方面的重要性而受到越来越多的关注。我们提出了EdnaML，一个具有声明式API的框架，用于可重复的深度学习。EdnaML提供了可以手动组合的低级构建块，以及高级管道编排API，以自动化数据汇集、数据处理、分类器训练、分类器部署和模型监控。我们的分层API允许用户在高级组件抽象中管理ML管道，同时提供通过构建块修改其任何部分的灵活性。我们展示了几个使用EdnaML的ML管道示例，包括一个大规模的假新闻标签和分类系统，其中有六个子管道由EdnaML管理。
2022-11-13 cs.LG cs.SY eess.SY
A Reproducible, Scalable Pipeline for Synthesizing Autoregressive Model Literature
AI Research Lab, Lightcap Institute（Lightcap研究所人工智能实验室）；Department of Engineering, Bahcesehir University（巴塞希尔大学工程学院）
本文提出一个开源可复现的流水线，自动检索、筛选、提取并总结自回归模型文献，支持实验复现，在50篇标注论文上F1超0.85，并在三个案例中实现困惑度误差1-3%。
2025-08-06 cs.DL cs.IR cs.LG
A multiverse-consensus pipeline for reproducible feature selection in untargeted LC-MS metabolomics
Istanbul Medipol University（伊斯坦布尔梅迪波尔大学）；Istinye University（伊斯坦布尔伊斯蒂尼耶大学）
该研究针对非靶向 LC-MS 代谢组学预处理决策多且结果依赖未知选择的问题，提出多宇宙共识管道，通过十阶段质量控制及多方法组合分析，在示范数据集上得出更稳健的特征选择结果，还讨论了方法的范围与局限。
2026-07-21 cs.LG q-bio.GN
PashtoCorp: A 1.25-Billion-Word Corpus, Evaluation Suite, and Reproducible Pipeline for Low-Resource Language Development
Independent Researcher（独立研究员）
本文介绍了PashtoCorp，一个包含12.5亿词的Pashto语料库，通过可重复的流水线和多种数据源，显著提升了低资源语言的NLP研究水平。
2026-03-17 cs.CL cs.IR cs.LG
Flurry: a Fast Framework for Reproducible Multi-layered Provenance Graph Representation Learning
Parsons Corporation（帕森斯公司）；UNC Charlotte（北卡罗来纳大学夏洛特分校）
像知识图谱这样的复杂异构动态网络是可以用于对来自计算机系统的数据起源进行建模的强大构造。从安全的角度来看，这些属性图可以进行因果关系分析和跟踪，以分析无数的网络攻击。然而，在将系统执行和起源转换为用于机器学习任务的可用图形表示的管道的系统开发中存在不足。这种仪器的缺乏严重阻碍了起源图机器学习的科学进步，阻碍了可重复性，并限制了数据的可用性，这些数据对图神经网络等技术至关重要。为了满足这一需求，我们提出了Flurry，这是一个端到端的数据管道，它模拟网络攻击，在多个系统和应用程序层捕获这些攻击的来源数据，将这些攻击的审计日志转换为数据来源图，并将这些数据与用于训练深度神经模型的框架相结合，该框架支持预配置或定制设计的模型，用于在现实世界的弹性系统中进行分析。我们通过处理来自多个系统攻击的数据并使用当前的基准图表示学习框架通过图分类执行异常检测来展示此管道。Flurry提供了一个快速、可定制、可扩展和透明的解决方案，为网络安全专业人员提供这些急需的数据。
2022-03-05 cs.CR cs.LG
Beyond Lux thresholds: a systematic pipeline for classifying biologically relevant light contexts from wearable data
本文提出了一种可复现的流程和设计规则，用于从可穿戴数据中区分自然光与人工光，通过光谱-时间建模超越传统照度阈值。
2025-12-11 cs.LG q-bio.QM
A Reproducible Log-Driven AutoML Framework for Interpretable Pipeline Optimization in Healthcare Risk Prediction
School of Basic Medicine, Hangzhou Normal University（杭州师范大学基础医学院）；Research Department, Hangzhou Domain Zones Technology Co.Ltd.（杭州域区技术有限公司）
本文提出了一种可重复的基于日志的自动机器学习框架，用于医疗风险预测中的可解释流水线优化，通过分析组件属性、交互和冗余性，提高了模型性能和稳定性。
2026-06-18 cs.AI cs.LG
ERICA: Quantifying Replicability of Cluster Analysis
Stanford University（斯坦福大学）
提出ERICA框架，通过迭代聚类分配计算统计量，量化数据集中的聚类结构是否可复现，并应用于合成数据和乳腺癌基因表达数据，发现合成数据可复现而部分真实数据存在不可复现性。
2026-06-28 cs.LG stat.ML
Multi-Class, Multi-Tier Network Intrusion Detection: A Comprehensive and Reproducible Benchmark
RENCI, University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校文艺复兴计算研究所）；Fordham University（福特汉姆大学）
本文提出一个全面且可复现的网络入侵检测基准，修正了CIC-IDS2017的标注错误，在三个嵌套级别评估多种模型，软投票集成达到最优细粒度宏F1 0.955，并提供开源可配置流程。
2026-09-30 cs.CR cs.LG
dagger: A Python Framework for Reproducible Machine Learning Experiment Orchestration
Facebook AI Research（脸书人工智能研究院）；Brown University（布朗大学）
机器学习的许多研究方向，特别是在深度学习中，涉及复杂的多阶段实验，通常涉及沿着多个执行路径作用于模型的状态突变操作。虽然机器学习框架提供了清晰的接口来定义模型架构和无分支的流程，但研究人员通常需要跟踪实验起源，即导致最终模型配置并导致多阶段实验的状态树。最初出于分析再现性的背景下，神经网络修剪研究，多阶段的实验管道是常见的，我们提出匕首，一个框架，以促进可重复和可重用的实验编排。我们描述了框架的设计原则和示例使用。
2020-06-12 cs.LG cs.SE
Accelerating Reproducible Research in Synthetic EHR Generation
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
提出一个轻量级端到端基准框架，统一数据加载、标准化训练和架构无关评估，重新实现多种基线模型并添加GPT-2基线，通过隐私-效用评估套件和自助置信区间分析长尾性能问题，推动社区驱动的可复现性。
2026-06-05 cs.LG
A geometric and deep learning reproducible pipeline for monitoring floating anthropogenic debris in urban rivers using in situ cameras
LIVE UMR 7362 CNRS, University of Strasbourg（LIVE UMR 7362 CNRS，斯特拉斯堡大学）；Centre Inria de l’Université de Lorraine（里昂大学的Inria中心）；Technical University of Munich, Campus Heilbronn（慕尼黑技术大学海因斯贝格校区）；IRIMAS UR 7499, University of Haute-Alsace（阿尔萨斯大学IRIMAS UR 7499）；Data Science and Artificial Intelligence (DSAI), Monash University（莫纳什大学数据科学与人工智能（DSAI））
提出结合几何模型与深度学习的框架，利用固定摄像头连续量化监测城市河流漂浮碎片，并评估不同模型在复杂环境下的精度与速度，通过投影几何实现碎片尺寸估计。
2026-06-23 cs.AI cs.CV cs.LG
Open-radiomics: A Collection of Standardized Datasets and a Technical Protocol for Reproducible Radiomics Machine Learning Pipelines
The Hospital for Sick Children (SickKids)（SickKids医院（病童医院））；SickKids Research Institute（SickKids研究所）；University of Toronto（多伦多大学）；University Hospital Augsburg（奥格斯堡大学医院）；Institute of Medical Science, University of Toronto（多伦多大学医学科学研究所）；Department of Computer Science, University of Toronto（多伦多大学计算机科学系）；Department of Mechanical and Industrial Engineering, University of Toronto（多伦多大学机械与工业工程系）；Vector Institute（向量研究院）
本研究提出open-radiomics数据集集合与技术协议，通过标准化影像组学机器学习流水线揭示肿瘤子区域等变异性来源对结果的影响，解决可复现性挑战。
2025-02-28 cs.CV cs.LG q-bio.QM
stable-worldmodel: A Platform for Reproducible World Modeling Research and Evaluation
Mila & Université de Montréal（Mila与蒙特利尔大学）；New York University（纽约大学）；Universidade Federal de Minas Gerais（巴西联邦大学矿务学院）；Independent Researcher（独立研究者）；LanceDB；University of Oxford（牛津大学）；Brown University（布朗大学）
本文提出stable-worldmodel平台，旨在解决世界建模研究中代码库、数据管道和评估协议碎片化的问题，通过提供高性能的数据层、现代世界模型基线和规划求解器的实现，以及扩展的环境和任务，实现标准化和可重复的世界建模研究和评估。
2026-05-20 cs.LG cs.RO
Soundata: A Python library for reproducible use of audio datasets
New York University（纽约大学）；Adobe Research（奥多比研究院）；Universitat Pompeu Fabra（庞培法布拉大学）
Soundata是一个Python库，用于以标准化的方式加载和处理音频数据集，消除了在每个项目中编写自定义加载器的需要，并通过提供工具来验证数据的可重复性。它通过允许用户快速下载数据集，以标准化和可复制的方式将其加载到内存中，验证数据集的完整性和正确性等来加快研究流程。Soundata基于mirdata并受到其启发，通过与环境声音，生物声学和语音数据集等合作来补充mirdata。Soundata的创建是为了易于使用，易于贡献，并以灵活的方式提高声音数据集的可重复性和标准化使用。
2021-10-04 cs.DB cs.LG cs.SD
Prophet as a Reproducible Forecasting Framework: A Methodological Guide for Business and Financial Analytics
University of Lethbridge（利思堡大学）
Prophet作为可重复预测框架，通过其加法结构、开源实现和标准化工作流程，提升了商业和金融分析中的预测透明度和可重复性。
2026-01-12 cs.LG
MIMIC-Sepsis: A Curated Benchmark for Modeling and Learning from Sepsis Trajectories in the ICU
Department of Computer Science University of California, Irvine（计算机科学系 加州大学尔湾分校）
针对现有脓毒症研究数据集过时、预处理不可复现等问题，本文提出源自MIMIC-IV的MIMIC-Sepsis精选基准框架，含35239名患者数据与多类基准任务，验证了纳入治疗变量可提升模型性能，为重症监护序列模型评估提供可靠平台。
2025-10-28 cs.LG
Prism: A Plug-in Reproducible Infrastructure for Scalable Multimodal Continual Instruction Tuning
School of Artificial Intelligence, Nanjing University, China（南京大学人工智能学院）；National Key Laboratory for Novel Software Technology, Nanjing University, China（南京大学新型软件技术国家重点实验室）
针对多模态持续指令微调中工程瓶颈问题，提出Prism插件式代码库，通过轻量级插件注册机制分离算法开发与骨干实现，支持大规模训练流水线，实现可复现、可扩展的实验。
2026-05-25 cs.CL cs.CV cs.LG
Picid: A Modular Evaluation Infrastructure for Reproducible PHM Across Tasks and Domains
EPFL（苏黎世联邦理工学院）
提出模块化评估基础设施Picid，通过标准化数据契约和评估边界，实现跨任务、跨数据集的故障检测、诊断和预测的可复现与公平比较。
2026-05-27 cs.AI cs.LG eess.SP
KGpipe: Generation and Evaluation of Pipelines for Data Integration into Knowledge Graphs
ScaDS.AI Dresden/Leipzig（ScaDS.AI 德累斯顿/莱比锡）
KGpipe通过整合现有工具和LLM功能，提供数据整合到知识图谱的管道生成与评估框架，展示其灵活性和有效性。
2025-11-23 cs.AI cs.DB cs.LG
flowengineR: A Modular and Extensible Framework for Fair and Reproducible Workflow Design in R
Institute for Mathematics, School of Mathematics and Sciences, Carl von Ossietzky University Oldenburg（奥尔登堡卡尔·冯·奥西茨基大学数学与科学学院数学研究所）；HASPA Finanzholding（HASPA金融控股公司）
flowengineR是R语言的模块化可扩展框架，用于构建可复现的机器学习工作流，支持公平性等场景下的方法整合与评估，具备透明、可扩展等特性。
2026-08-11 cs.CY cs.LG stat.ME
Productive Reproducible Workflows for DNNs: A Case Study for Industrial Defect Detection
University of Glasgow（格拉斯哥大学）
随着深度神经网络（DNN）成为越来越普遍的工作负载，可用于帮助其开发和部署的库和工具的范围显着增长。可扩展的生产质量工具在许可证下免费提供，并且可以访问，即使是小团队也可以非常高效。然而，在研究界，对上述工具的认识和使用并不一定广泛，研究人员可能会错过利用最新工具和工作流程带来的潜在生产力收益。本文介绍了一个案例研究，我们讨论了我们最近的经验，生产一个端到端的人工智能应用程序的工业缺陷检测。我们详细介绍了高级深度学习库、容器化工作流、持续集成/部署管道和开源代码模板，我们利用它们来产生有竞争力的结果，使其他排名解决方案的性能与我们的三个目标数据集相匹配。我们强调了利用这些系统可以带来的价值，即使是研究，并详细介绍了我们的解决方案，并在服务器级GPU上的准确性和推理时间方面展示了我们的最佳结果，以及服务器级CPU和Raspberry Pi 4上的推理时间。
2022-06-19 cs.CV cs.LG cs.PF
Production Machine Learning Pipelines: Empirical Analysis and Optimization Opportunities
University of California, Berkeley（加州大学伯克利分校）；Google（谷歌）
机器学习（ML）现在已经很普遍，为各种组织中的数据驱动应用程序提供动力。与研究中对ML的传统看法不同，ML生产管道很复杂，除了训练之外还有许多互锁的分析组件，其子部分通常在重叠的数据子集上运行多次。然而，缺乏有关这些管道的寿命、架构、频率和复杂性的定量证据，无法了解如何使用数据管理研究来使它们更高效、更有效、更强大和更可复制。为此，我们分析了Google的3000个生产ML管道的起源图，其中包括超过450，000个经过训练的模型，时间跨度超过四个月，以了解生产ML的复杂性和挑战。我们的分析揭示了各种粒度下典型行业强度ML管道的特征，组件和拓扑结构。在此过程中，我们引入了一个专门的数据模型，用于表示和推理这些ML管道中重复运行的组件，我们称之为模型小图。我们确定了几个丰富的优化机会，利用传统的数据管理思想。我们展示了如何瞄准这些机会之一，即，识别和修剪没有转换为模型部署的浪费计算，可以将浪费的计算成本减少50%，而不会影响模型部署节奏。
2021-03-30 cs.DB cs.LG
A Validated LBM Dataset and Pipeline for Surrogate Modeling of Turbulent 3D Obstructed Channel Flows
Chair of Computer Science 10 (System Simulation)（计算机科学系10号 chair（系统仿真））；Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）
提出一个可复现的流水线，生成雷诺数1000-10000的三维通道流训练数据，使用累积碰撞算子的格子玻尔兹曼求解器，并通过实验测量和网格收敛研究验证，为神经算子标准化比较提供基础。
2026-06-16 cs.LG physics.flu-dyn
KAISEN: Reproducible Subgroup Fairness Auditing for Clinical Risk Models
Massachusetts Institute of Technology（麻省理工学院）；Hopewell Valley Central High School（霍普韦尔谷中央高中）；East Brunswick High School（东布伦瑞克高中）
KAISEN是一个五阶段临床风险模型子群体公平性审计流程，经合成基准测试揭示了审计各环节的特性与局限性，相关复现资源已公开。
2026-07-31 cs.LG q-bio.QM
CheMLFlow: An Open-Source Platform for Cheminformatics and Materials Informatics Applications
CheMLFlow是用于构建端到端高通量智能体工作流的开源平台，可降低科学机器学习开发的编排开销，其在多类性质预测任务上达到文献性能，还支持非分子化学数据集的应用。
2026-08-06 cond-mat.mtrl-sci cond-mat.other cs.AI
