Belgif Linked Data Fragments server

Matches in Data.gov.be for { <http://data.gov.be/.well-known/genid/dataset/kulrdr/doi-10-48804/KT2P3Z> ?p ?o ?g. }

• KT2P3Z accessRights PUBLIC @default.
• KT2P3Z bibliographicCitation "Mandi, Jayanta, 2024, "Replication Data for: Decision-Focused Learning: Foundations, State of the Art, Benchmark and Future Opportunities", https://doi.org/10.48804/KT2P3Z, KU Leuven RDR, V1" @default.
• KT2P3Z created "2024-06-27T12:59:15Z" @default.
• KT2P3Z creator 0000-0001-8675-8178 @default.
• KT2P3Z description "Decision-Focused Learning (DFL) ist ein aufkommendes Paradigma, das maschinelles Lernen (ML) und eingeschränkte Optimierung integriert, um die Entscheidungsqualität zu verbessern, indem ML-Modelle in einem End-to-End-System trainiert werden. Unser Papier präsentiert einen umfassenden Überblick über DFL und bietet eine eingehende Analyse sowohl der gradientenbasierten als auch der gradientenfreien Techniken, die zur Kombination von ML und eingeschränkter Optimierung verwendet werden. Es bewertet empirisch die Stärken und Grenzen dieser Techniken und beinhaltet eine umfassende empirische Bewertung von elf Methoden über sieben Probleme hinweg. Dieses Papier wurde zur Veröffentlichung im Journal of Artificial Intelligence Research (JAIR) angenommen. Die Datensätze in diesem Repository wurden verwendet, um die in der Arbeit berichteten Ergebnisse zu erhalten. Die Datensätze werden bereitgestellt, um die Reproduzierbarkeit zu gewährleisten. Um das im Papier gemeldete Ergebnis unter Verwendung dieser Datensätze zu reproduzieren, verweisen wir auf \url{https://github.com/PredOpt/predopt-benchmarks}." @default.
• KT2P3Z description "Decision-focused learning (DFL) is an emerging paradigm that integrates machine learning (ML) and constrained optimization to enhance decision quality by training ML models in an end-to-end system. Our paper presents a comprehensive review of DFL, providing an in-depth analysis of both gradient-based and gradient-free techniques used to combine ML and constrained optimization. It empirically evaluates the strengths and limitations of these techniques and includes an extensive empirical evaluation of eleven methods across seven problems. This paper has been accepted for publication in The Journal of Artificial Intelligence Research (JAIR). The datasets in this repository have been used to obtain the results reported in the paper. The datasets are provided to ensure reproducibility. To reproduce the result reported in the paper using these datasets refer to \url{https://github.com/PredOpt/predopt-benchmarks}." @default.
• KT2P3Z description "Decision-focused learning (DFL) is een opkomend paradigma dat machine learning (ML) en beperkte optimalisatie integreert om de beslissingskwaliteit te verbeteren door ML-modellen te trainen in een end-to-end systeem. Ons artikel presenteert een uitgebreid overzicht van DFL en biedt een diepgaande analyse van zowel op gradiënt gebaseerde als gradiëntvrije technieken die worden gebruikt om ML en beperkte optimalisatie te combineren. Het evalueert empirisch de sterke punten en beperkingen van deze technieken en omvat een uitgebreide empirische evaluatie van elf methoden over zeven problemen. Dit artikel is geaccepteerd voor publicatie in The Journal of Artificial Intelligence Research (JAIR). De datasets in deze repository zijn gebruikt om de in de paper gerapporteerde resultaten te verkrijgen. De datasets worden verstrekt om de reproduceerbaarheid te waarborgen. Raadpleeg \url{https://github.com/PredOpt/predopt-benchmarks} om het in het document gerapporteerde resultaat te reproduceren met behulp van deze gegevenssets." @default.
• KT2P3Z description "L'apprentissage axé sur la décision (DFL) est un paradigme émergent qui intègre l'apprentissage automatique (ML) et l'optimisation contrainte pour améliorer la qualité de la décision en formant des modèles ML dans un système de bout en bout. Notre article présente un examen complet du LDF, fournissant une analyse approfondie des techniques basées sur le gradient et sans gradient utilisées pour combiner le ML et l'optimisation contrainte. Il évalue empiriquement les forces et les limites de ces techniques et comprend une évaluation empirique approfondie de onze méthodes à travers sept problèmes. Cet article a été accepté pour publication dans le Journal of Artificial Intelligence Research (JAIR). Les ensembles de données de ce référentiel ont été utilisés pour obtenir les résultats rapportés dans le document. Les ensembles de données sont fournis pour assurer la reproductibilité. Pour reproduire le résultat rapporté dans le document en utilisant ces ensembles de données, se référer à \url{https://github.com/PredOpt/predopt-benchmarks}." @default.
• KT2P3Z identifier "doi:10.48804/KT2P3Z" @default.
• KT2P3Z issued "2024-06-28T11:33:28Z" @default.
• KT2P3Z modified "2024-06-28T11:33:28Z" @default.
• KT2P3Z publisher 0419052173 @default.
• KT2P3Z title "Données de réplication pour: Apprentissage axé sur la décision: Fondations, état de l'art, benchmark et opportunités futures" @default.
• KT2P3Z title "Replicatiegegevens voor: Besluitgericht leren: Foundations, State of the Art, Benchmark and Future Opportunities" @default.
• KT2P3Z title "Replication Data for: Decision-Focused Learning: Foundations, State of the Art, Benchmark and Future Opportunities" @default.
• KT2P3Z title "Replikationsdaten für: Entscheidungsorientiertes Lernen: Stiftungen, State of the Art, Benchmark und Zukunftschancen" @default.
• KT2P3Z citedBy genid67711 @default.
• KT2P3Z type Dataset @default.
• KT2P3Z contactPoint genid67712 @default.
• KT2P3Z keyword "contextual optimization" @default.
• KT2P3Z keyword "decision-focused learning" @default.
• KT2P3Z keyword "predict-and-optimize" @default.
• KT2P3Z keyword "stochastic optimization" @default.
• KT2P3Z landingPage KT2P3Z @default.
• KT2P3Z theme TECH @default.
• KT2P3Z version "1" @default.