Theresa Eimer-Rüegg

11 Aufsatz in Konferenzband
4 Artikel
2 Abstract in Konferenzband
2 Preprint
Mehr

Efficient Heteroscedastic Bayesian Optimization for Risk-Aware AutoRL
Che, M., Tseng, T.-Y., Eimer-Rüegg, T., Lindauer, M. & von Rohr, A., 13 Mai 2026, (Angenommen/Im Druck).
Publikation: Konferenzbeitrag › Paper › Forschung › Peer-Review
Best Practices For Empirical Meta-Algorithmic Research: Guidelines from the COSEAL Research Network
Eimer, T., Schäpermeier, L., Biedenkapp, A., Tornede, A., Kotthoff, L., Leyman, P., Feurer, M., Eggensperger, K., Maile, K., Tornede, T., Kozak, A., Xue, K., Wever, M. D., Baratchi, M., Pulatov, D., Trautmann, H., Kashgarani, H. & Lindauer, M., 2025, (Elektronisch veröffentlicht (E-Pub)).
Publikation: Arbeitspapier/Preprint › Preprint

Open Access
Growing with Experience: Growing Neural Networks in Deep Reinforcement Learning
Fehring, L., Eimer, T. & Lindauer, M., 15 Feb. 2025, (Angenommen/Im Druck) 2025 Multi-disciplinary Conference on Reinforcement Learning and Decision Making (RLDM 2025).
Publikation: Beitrag in Buch/Bericht/Sammelwerk/Konferenzband › Abstract in Konferenzband › Forschung › Peer-Review
Mighty: A Comprehensive Tool for studying Generalization, Meta-RL and AutoRL
Mohan, A., Eimer, T., Benjamins, C., Lindauer, M. & Biedenkapp, A., Sept. 2025, (Elektronisch veröffentlicht (E-Pub)) 18th European Workshop on Reinforcement Learning (EWRL).
Publikation: Beitrag in Buch/Bericht/Sammelwerk/Konferenzband › Aufsatz in Konferenzband › Forschung › Peer-Review

Open Access
Performance Prediction In Reinforcement Learning: The Bad And The Ugly
Dierkes, J., Eimer, T., Lindauer, M. & Hoos, H., Sept. 2025, (Elektronisch veröffentlicht (E-Pub)) 18th European Workshop on Reinforcement Learning (EWRL).
Publikation: Beitrag in Buch/Bericht/Sammelwerk/Konferenzband › Aufsatz in Konferenzband › Forschung › Peer-Review

Open Access

Algorithmkontrolle: Effizientes Lernen, um Algorithmenparameter zu steuern
Lindauer, M. T. (Projektleiter*in (Principal Investigator)), Eimer-Rüegg, T. (Projektmitarbeiter*in), Benjamins, C. (Projektmitarbeiter*in) & Mohan, A. (Projektmitarbeiter*in)
1 Okt. 2020 → 14 Sept. 2024
Projekt: Forschung

Theresa Eimer-Rüegg

Publikationen

Efficient Heteroscedastic Bayesian Optimization for Risk-Aware AutoRL

Best Practices For Empirical Meta-Algorithmic Research: Guidelines from the COSEAL Research Network

Growing with Experience: Growing Neural Networks in Deep Reinforcement Learning

Mighty: A Comprehensive Tool for studying Generalization, Meta-RL and AutoRL

Performance Prediction In Reinforcement Learning: The Bad And The Ugly

Projekte

Algorithmkontrolle: Effizientes Lernen, um Algorithmenparameter zu steuern