Auswahl der wissenschaftlichen Literatur zum Thema „Neural Network Embeddings“
Geben Sie eine Quelle nach APA, MLA, Chicago, Harvard und anderen Zitierweisen an
Inhaltsverzeichnis
Machen Sie sich mit den Listen der aktuellen Artikel, Bücher, Dissertationen, Berichten und anderer wissenschaftlichen Quellen zum Thema "Neural Network Embeddings" bekannt.
Neben jedem Werk im Literaturverzeichnis ist die Option "Zur Bibliographie hinzufügen" verfügbar. Nutzen Sie sie, wird Ihre bibliographische Angabe des gewählten Werkes nach der nötigen Zitierweise (APA, MLA, Harvard, Chicago, Vancouver usw.) automatisch gestaltet.
Sie können auch den vollen Text der wissenschaftlichen Publikation im PDF-Format herunterladen und eine Online-Annotation der Arbeit lesen, wenn die relevanten Parameter in den Metadaten verfügbar sind.
Zeitschriftenartikel zum Thema "Neural Network Embeddings"
Che, Feihu, Dawei Zhang, Jianhua Tao, Mingyue Niu und Bocheng Zhao. „ParamE: Regarding Neural Network Parameters as Relation Embeddings for Knowledge Graph Completion“. Proceedings of the AAAI Conference on Artificial Intelligence 34, Nr. 03 (03.04.2020): 2774–81. http://dx.doi.org/10.1609/aaai.v34i03.5665.
Der volle Inhalt der QuelleHuang, Junjie, Huawei Shen, Liang Hou und Xueqi Cheng. „SDGNN: Learning Node Representation for Signed Directed Networks“. Proceedings of the AAAI Conference on Artificial Intelligence 35, Nr. 1 (18.05.2021): 196–203. http://dx.doi.org/10.1609/aaai.v35i1.16093.
Der volle Inhalt der QuelleSrinidhi, K., T. L.S Tejaswi, CH Rama Rupesh Kumar und I. Sai Siva Charan. „An Advanced Sentiment Embeddings with Applications to Sentiment Based Result Analysis“. International Journal of Engineering & Technology 7, Nr. 2.32 (31.05.2018): 393. http://dx.doi.org/10.14419/ijet.v7i2.32.15721.
Der volle Inhalt der QuelleArmandpour, Mohammadreza, Patrick Ding, Jianhua Huang und Xia Hu. „Robust Negative Sampling for Network Embedding“. Proceedings of the AAAI Conference on Artificial Intelligence 33 (17.07.2019): 3191–98. http://dx.doi.org/10.1609/aaai.v33i01.33013191.
Der volle Inhalt der QuelleKamath, S., K. G. Karibasappa, Anvitha Reddy, Arati M. Kallur, B. B. Priyanka und B. P. Bhagya. „Improving the Relation Classification Using Convolutional Neural Network“. IOP Conference Series: Materials Science and Engineering 1187, Nr. 1 (01.09.2021): 012004. http://dx.doi.org/10.1088/1757-899x/1187/1/012004.
Der volle Inhalt der QuelleGu, Haishuo, Jinguang Sui und Peng Chen. „Graph Representation Learning for Street-Level Crime Prediction“. ISPRS International Journal of Geo-Information 13, Nr. 7 (01.07.2024): 229. http://dx.doi.org/10.3390/ijgi13070229.
Der volle Inhalt der QuelleZhang, Lei, Feng Qian, Jie Chen und Shu Zhao. „An Unsupervised Rapid Network Alignment Framework via Network Coarsening“. Mathematics 11, Nr. 3 (21.01.2023): 573. http://dx.doi.org/10.3390/math11030573.
Der volle Inhalt der QuelleTruică, Ciprian-Octavian, Elena-Simona Apostol, Maria-Luiza Șerban und Adrian Paschke. „Topic-Based Document-Level Sentiment Analysis Using Contextual Cues“. Mathematics 9, Nr. 21 (27.10.2021): 2722. http://dx.doi.org/10.3390/math9212722.
Der volle Inhalt der QuelleJang, Youngjin, und Harksoo Kim. „Reliable Classification of FAQs with Spelling Errors Using an Encoder-Decoder Neural Network in Korean“. Applied Sciences 9, Nr. 22 (07.11.2019): 4758. http://dx.doi.org/10.3390/app9224758.
Der volle Inhalt der QuelleGuo, Lei, Haoran Jiang, Xiyu Liu und Changming Xing. „Network Embedding-Aware Point-of-Interest Recommendation in Location-Based Social Networks“. Complexity 2019 (04.11.2019): 1–18. http://dx.doi.org/10.1155/2019/3574194.
Der volle Inhalt der QuelleDissertationen zum Thema "Neural Network Embeddings"
Embretsén, Niklas. „Representing Voices Using Convolutional Neural Network Embeddings“. Thesis, KTH, Skolan för elektroteknik och datavetenskap (EECS), 2019. http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-261415.
Der volle Inhalt der QuelleI dagens samhälle ökar populariteten för röstbaserade tjänster. Att kunna förse användare med röster de tycker om, för att fånga och behålla deras uppmärksamhet, är därför viktigt för att förbättra användarupplevelsen. Att hitta ett effektiv sätt att representera röster, så att likheter mellan dessa kan jämföras, är därför av stor nytta. Inom fältet språkteknologi i maskininlärning har stora framstegs gjorts genom att skapa representationer av ord från de inre lagren av neurala nätverk, så kallade neurala nätverksinbäddningar. Dessa representationer har visat sig innehålla semantiken av orden. Denna uppsats avser att undersöka huruvida liknande representationer kan hittas för ljuddata i form av berättarröster från ljudböcker, där likhet mellan röster fångas upp. För att undersöka detta utvecklades och utvärderades två faltningsnätverk som använde sig av spektrogramrepresentationer av röstdata. Den ena modellen är konstruerad som en vanlig klassificeringsmodell, tränad för att skilja mellan uppläsare i datasetet. Den andra modellen använder parvisa förhållanden mellan datapunkterna och en Kullback–Leibler divergensbaserad optimeringsfunktion, med syfte att minimera och maximera skillnaden mellan lika och olika par av datapunkter. Från dessa modeller används representationer från de olika lagren av nätverket för att representera varje datapunkt under utvärderingen. Både en objektiv och subjektiv utvärderingsmetod används. Under den objektiva utvärderingen undersöks först om de funna representationerna är distinkta för olika uppläsare, sedan undersöks även om dessa fångar upp information om uppläsarens kön. Den vanliga klassificeringsmodellen utvärderas också genom ett användartest, eftersom den modellen nådde en storleksordning bättre resultat under den objektiva utvärderingen. Syftet med användartestet var att undersöka om de funna representationerna innehåller information om den upplevda likheten mellan rösterna. Slutsatsen är att det föreslagna tillvägagångssättet har potential till att användas för att representera röster så att information om likhet fångas upp, men att det krävs mer omfattande testning, undersökning och utvärdering. För framtida studier föreslås mer sofistikerad förbehandling av data samt att samla in och använda sig av data kring förhållandet mellan röster under träningen av modellerna.
Bopaiah, Jeevith. „A recurrent neural network architecture for biomedical event trigger classification“. UKnowledge, 2018. https://uknowledge.uky.edu/cs_etds/73.
Der volle Inhalt der QuellePALUMBO, ENRICO. „Knowledge Graph Embeddings for Recommender Systems“. Doctoral thesis, Politecnico di Torino, 2020. http://hdl.handle.net/11583/2850588.
Der volle Inhalt der QuellePettersson, Fredrik. „Optimizing Deep Neural Networks for Classification of Short Texts“. Thesis, Luleå tekniska universitet, Datavetenskap, 2019. http://urn.kb.se/resolve?urn=urn:nbn:se:ltu:diva-76811.
Der volle Inhalt der QuelleRevanur, Vandan, und Ayodeji Ayibiowu. „Automatic Generation of Descriptive Features for Predicting Vehicle Faults“. Thesis, Högskolan i Halmstad, CAISR Centrum för tillämpade intelligenta system (IS-lab), 2020. http://urn.kb.se/resolve?urn=urn:nbn:se:hh:diva-42885.
Der volle Inhalt der QuelleMurugan, Srikala. „Determining Event Outcomes from Social Media“. Thesis, University of North Texas, 2020. https://digital.library.unt.edu/ark:/67531/metadc1703427/.
Der volle Inhalt der QuelleDe, Vine Lance. „Analogical frames by constraint satisfaction“. Thesis, Queensland University of Technology, 2020. https://eprints.qut.edu.au/198036/1/Lance_De%20Vine_Thesis.pdf.
Der volle Inhalt der QuelleHorn, Franziska Verfasser], Klaus-Robert [Akademischer Betreuer] [Gutachter] [Müller, Alan [Gutachter] Akbik und Ziawasch [Gutachter] Abedjan. „Similarity encoder: A neural network architecture for learning similarity preserving embeddings / Franziska Horn ; Gutachter: Klaus-Robert Müller, Alan Akbik, Ziawasch Abedjan ; Betreuer: Klaus-Robert Müller“. Berlin : Technische Universität Berlin, 2020. http://d-nb.info/1210998386/34.
Der volle Inhalt der QuelleHorn, Franziska [Verfasser], Klaus-Robert [Akademischer Betreuer] [Gutachter] Müller, Alan [Gutachter] Akbik und Ziawasch [Gutachter] Abedjan. „Similarity encoder: A neural network architecture for learning similarity preserving embeddings / Franziska Horn ; Gutachter: Klaus-Robert Müller, Alan Akbik, Ziawasch Abedjan ; Betreuer: Klaus-Robert Müller“. Berlin : Technische Universität Berlin, 2020. http://d-nb.info/1210998386/34.
Der volle Inhalt der QuelleŠůstek, Martin. „Word2vec modely s přidanou kontextovou informací“. Master's thesis, Vysoké učení technické v Brně. Fakulta informačních technologií, 2017. http://www.nusl.cz/ntk/nusl-363837.
Der volle Inhalt der QuelleBücher zum Thema "Neural Network Embeddings"
Unger, Herwig, und Wolfgang A. Halang, Hrsg. Autonomous Systems 2016. VDI Verlag, 2016. http://dx.doi.org/10.51202/9783186848109.
Der volle Inhalt der QuelleBuchteile zum Thema "Neural Network Embeddings"
Zhang, Yuan, Jian Cao, Jue Chen, Wenyu Sun und Yuan Wang. „Razor SNN: Efficient Spiking Neural Network with Temporal Embeddings“. In Artificial Neural Networks and Machine Learning – ICANN 2023, 411–22. Cham: Springer Nature Switzerland, 2023. http://dx.doi.org/10.1007/978-3-031-44192-9_33.
Der volle Inhalt der QuelleMarkov, Ilia, Helena Gómez-Adorno, Juan-Pablo Posadas-Durán, Grigori Sidorov und Alexander Gelbukh. „Author Profiling with Doc2vec Neural Network-Based Document Embeddings“. In Advances in Soft Computing, 117–31. Cham: Springer International Publishing, 2017. http://dx.doi.org/10.1007/978-3-319-62428-0_9.
Der volle Inhalt der QuelleBajaj, Ahsaas, Shubham Krishna, Hemant Tiwari und Vanraj Vala. „Learning Mobile App Embeddings Using Multi-task Neural Network“. In Natural Language Processing and Information Systems, 29–40. Cham: Springer International Publishing, 2019. http://dx.doi.org/10.1007/978-3-030-23281-8_3.
Der volle Inhalt der QuelleRöchert, Daniel, German Neubaum und Stefan Stieglitz. „Identifying Political Sentiments on YouTube: A Systematic Comparison Regarding the Accuracy of Recurrent Neural Network and Machine Learning Models“. In Disinformation in Open Online Media, 107–21. Cham: Springer International Publishing, 2020. http://dx.doi.org/10.1007/978-3-030-61841-4_8.
Der volle Inhalt der QuellePicone, Rico A. R., Dane Webb, Finbarr Obierefu und Jotham Lentz. „New Methods for Metastimuli: Architecture, Embeddings, and Neural Network Optimization“. In Augmented Cognition, 288–304. Cham: Springer International Publishing, 2021. http://dx.doi.org/10.1007/978-3-030-78114-9_21.
Der volle Inhalt der QuelleCalderaro, Salvatore, Giosué Lo Bosco, Filippo Vella und Riccardo Rizzo. „Breast Cancer Histologic Grade Identification by Graph Neural Network Embeddings“. In Bioinformatics and Biomedical Engineering, 283–96. Cham: Springer Nature Switzerland, 2023. http://dx.doi.org/10.1007/978-3-031-34960-7_20.
Der volle Inhalt der QuelleBiswas, Arijit, Mukul Bhutani und Subhajit Sanyal. „MRNet-Product2Vec: A Multi-task Recurrent Neural Network for Product Embeddings“. In Machine Learning and Knowledge Discovery in Databases, 153–65. Cham: Springer International Publishing, 2017. http://dx.doi.org/10.1007/978-3-319-71273-4_13.
Der volle Inhalt der QuelleSalsal, Sura Khalid, und Wafaa ALhamed. „Document Retrieval in Text Archives Using Neural Network-Based Embeddings Compared to TFIDF“. In Intelligent Systems and Networks, 526–37. Singapore: Springer Singapore, 2021. http://dx.doi.org/10.1007/978-981-16-2094-2_63.
Der volle Inhalt der QuelleMolokwu, Bonaventure C., Shaon Bhatta Shuvo, Narayan C. Kar und Ziad Kobti. „Node Classification in Complex Social Graphs via Knowledge-Graph Embeddings and Convolutional Neural Network“. In Lecture Notes in Computer Science, 183–98. Cham: Springer International Publishing, 2020. http://dx.doi.org/10.1007/978-3-030-50433-5_15.
Der volle Inhalt der QuelleBarbaglia, Luca, Sergio Consoli und Sebastiano Manzan. „Exploring the Predictive Power of News and Neural Machine Learning Models for Economic Forecasting“. In Mining Data for Financial Applications, 135–49. Cham: Springer International Publishing, 2021. http://dx.doi.org/10.1007/978-3-030-66981-2_11.
Der volle Inhalt der QuelleKonferenzberichte zum Thema "Neural Network Embeddings"
Luo, Dixin, Haoran Cheng, Qingbin Li und Hongteng Xu. „Coupled Point Process-based Sequence Modeling for Privacy-preserving Network Alignment“. In Thirty-Second International Joint Conference on Artificial Intelligence {IJCAI-23}. California: International Joint Conferences on Artificial Intelligence Organization, 2023. http://dx.doi.org/10.24963/ijcai.2023/678.
Der volle Inhalt der QuelleDong, Yuxiao, Ziniu Hu, Kuansan Wang, Yizhou Sun und Jie Tang. „Heterogeneous Network Representation Learning“. In Twenty-Ninth International Joint Conference on Artificial Intelligence and Seventeenth Pacific Rim International Conference on Artificial Intelligence {IJCAI-PRICAI-20}. California: International Joint Conferences on Artificial Intelligence Organization, 2020. http://dx.doi.org/10.24963/ijcai.2020/677.
Der volle Inhalt der QuelleLiu, Bing, Wei Luo, Gang Li, Jing Huang und Bo Yang. „Do We Need an Encoder-Decoder to Model Dynamical Systems on Networks?“ In Thirty-Second International Joint Conference on Artificial Intelligence {IJCAI-23}. California: International Joint Conferences on Artificial Intelligence Organization, 2023. http://dx.doi.org/10.24963/ijcai.2023/242.
Der volle Inhalt der QuelleAspis, Yaniv, Krysia Broda, Jorge Lobo und Alessandra Russo. „Embed2Sym - Scalable Neuro-Symbolic Reasoning via Clustered Embeddings“. In 19th International Conference on Principles of Knowledge Representation and Reasoning {KR-2022}. California: International Joint Conferences on Artificial Intelligence Organization, 2022. http://dx.doi.org/10.24963/kr.2022/44.
Der volle Inhalt der QuelleGarcia-Romero, Daniel, David Snyder, Gregory Sell, Daniel Povey und Alan McCree. „Speaker diarization using deep neural network embeddings“. In 2017 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE, 2017. http://dx.doi.org/10.1109/icassp.2017.7953094.
Der volle Inhalt der QuelleHamaguchi, Takuo, Hidekazu Oiwa, Masashi Shimbo und Yuji Matsumoto. „Knowledge Transfer for Out-of-Knowledge-Base Entities : A Graph Neural Network Approach“. In Twenty-Sixth International Joint Conference on Artificial Intelligence. California: International Joint Conferences on Artificial Intelligence Organization, 2017. http://dx.doi.org/10.24963/ijcai.2017/250.
Der volle Inhalt der QuelleCheng, Weiyu, Yanyan Shen, Yanmin Zhu und Linpeng Huang. „DELF: A Dual-Embedding based Deep Latent Factor Model for Recommendation“. In Twenty-Seventh International Joint Conference on Artificial Intelligence {IJCAI-18}. California: International Joint Conferences on Artificial Intelligence Organization, 2018. http://dx.doi.org/10.24963/ijcai.2018/462.
Der volle Inhalt der QuelleRomero, Hector E., Ning Ma und Guy J. Brown. „Snorer Diarisation Based On Deep Neural Network Embeddings“. In ICASSP 2020 - 2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE, 2020. http://dx.doi.org/10.1109/icassp40776.2020.9053683.
Der volle Inhalt der QuelleSnyder, David, Daniel Garcia-Romero, Daniel Povey und Sanjeev Khudanpur. „Deep Neural Network Embeddings for Text-Independent Speaker Verification“. In Interspeech 2017. ISCA: ISCA, 2017. http://dx.doi.org/10.21437/interspeech.2017-620.
Der volle Inhalt der QuelleSettle, Shane, und Karen Livescu. „Discriminative acoustic word embeddings: Tecurrent neural network-based approaches“. In 2016 IEEE Spoken Language Technology Workshop (SLT). IEEE, 2016. http://dx.doi.org/10.1109/slt.2016.7846310.
Der volle Inhalt der Quelle