Lars Schmidt-Thieme

Le modèle FEML améliore les prévisions avec peu de données en utilisant le transfert de connaissances.

Une nouvelle approche améliore les solutions de routage des véhicules pour des problèmes plus gros en utilisant des réseaux de neurones.

Moco utilise l'apprentissage automatique pour améliorer les solutions aux problèmes d'optimisation combinatoire.

Le modèle ProFITi prédit des résultats à partir de séries temporelles échantillonnées de manière irrégulière.

ProbSAINT prédit les prix des voitures d'occasion tout en évaluant l'incertitude dans les prévisions.

CDALBench propose un terrain d'essai fiable pour différentes méthodes d'apprentissage actif.