Articles de revues sur le sujet « Representation learning (artifical intelligence) »
Créez une référence correcte selon les styles APA, MLA, Chicago, Harvard et plusieurs autres
Consultez les 50 meilleurs articles de revues pour votre recherche sur le sujet « Representation learning (artifical intelligence) ».
À côté de chaque source dans la liste de références il y a un bouton « Ajouter à la bibliographie ». Cliquez sur ce bouton, et nous générerons automatiquement la référence bibliographique pour la source choisie selon votre style de citation préféré : APA, MLA, Harvard, Vancouver, Chicago, etc.
Vous pouvez aussi télécharger le texte intégral de la publication scolaire au format pdf et consulter son résumé en ligne lorsque ces informations sont inclues dans les métadonnées.
Parcourez les articles de revues sur diverses disciplines et organisez correctement votre bibliographie.
Hamilton, William L. « Graph Representation Learning ». Synthesis Lectures on Artificial Intelligence and Machine Learning 14, no 3 (15 septembre 2020) : 1–159. http://dx.doi.org/10.2200/s01045ed1v01y202009aim046.
Texte intégralKonidaris, George, Leslie Pack Kaelbling et Tomas Lozano-Perez. « From Skills to Symbols : Learning Symbolic Representations for Abstract High-Level Planning ». Journal of Artificial Intelligence Research 61 (31 janvier 2018) : 215–89. http://dx.doi.org/10.1613/jair.5575.
Texte intégralRezayi, Saed. « Learning Better Representations Using Auxiliary Knowledge ». Proceedings of the AAAI Conference on Artificial Intelligence 37, no 13 (26 juin 2023) : 16133–34. http://dx.doi.org/10.1609/aaai.v37i13.26927.
Texte intégralFROMMBERGER, LUTZ. « LEARNING TO BEHAVE IN SPACE : A QUALITATIVE SPATIAL REPRESENTATION FOR ROBOT NAVIGATION WITH REINFORCEMENT LEARNING ». International Journal on Artificial Intelligence Tools 17, no 03 (juin 2008) : 465–82. http://dx.doi.org/10.1142/s021821300800400x.
Texte intégralHaghir Chehreghani, Morteza, et Mostafa Haghir Chehreghani. « Learning representations from dendrograms ». Machine Learning 109, no 9-10 (16 août 2020) : 1779–802. http://dx.doi.org/10.1007/s10994-020-05895-3.
Texte intégralSaitta, Lorenza. « Representation change in machine learning ». AI Communications 9, no 1 (1996) : 14–20. http://dx.doi.org/10.3233/aic-1996-9102.
Texte intégralRives, Alexander, Joshua Meier, Tom Sercu, Siddharth Goyal, Zeming Lin, Jason Liu, Demi Guo et al. « Biological structure and function emerge from scaling unsupervised learning to 250 million protein sequences ». Proceedings of the National Academy of Sciences 118, no 15 (5 avril 2021) : e2016239118. http://dx.doi.org/10.1073/pnas.2016239118.
Texte intégralKang, Zhao, Xiao Lu, Jian Liang, Kun Bai et Zenglin Xu. « Relation-Guided Representation Learning ». Neural Networks 131 (novembre 2020) : 93–102. http://dx.doi.org/10.1016/j.neunet.2020.07.014.
Texte intégralProrok, Máté. « Applications of artificial intelligence systems ». Deliberationes 15, Különszám (2022) : 76–88. http://dx.doi.org/10.54230/delib.2022.k.sz.76.
Texte intégralMazoure, Bogdan, Thang Doan, Tianyu Li, Vladimir Makarenkov, Joelle Pineau, Doina Precup et Guillaume Rabusseau. « Low-Rank Representation of Reinforcement Learning Policies ». Journal of Artificial Intelligence Research 75 (27 octobre 2022) : 597–636. http://dx.doi.org/10.1613/jair.1.13854.
Texte intégralLawler, Robert W. « Getting Intelligence Into the Minds of People ». LEARNing Landscapes 6, no 2 (2 juin 2013) : 223–47. http://dx.doi.org/10.36510/learnland.v6i2.614.
Texte intégralKoohzadi, Maryam, Nasrollah Moghadam Charkari et Foad Ghaderi. « Unsupervised representation learning based on the deep multi-view ensemble learning ». Applied Intelligence 50, no 2 (31 juillet 2019) : 562–81. http://dx.doi.org/10.1007/s10489-019-01526-0.
Texte intégralHanson, Stephen José, et David J. Burr. « What connectionist models learn : Learning and representation in connectionist networks ». Behavioral and Brain Sciences 13, no 3 (septembre 1990) : 471–89. http://dx.doi.org/10.1017/s0140525x00079760.
Texte intégralZheng, Tingyi, Huibin Ge, Jiayi Li et Li Wang. « Unsupervised multi-view representation learning with proximity guided representation and generalized canonical correlation analysis ». Applied Intelligence 51, no 1 (10 août 2020) : 248–64. http://dx.doi.org/10.1007/s10489-020-01821-1.
Texte intégralLi, Bentian, et Dechang Pi. « Network representation learning : a systematic literature review ». Neural Computing and Applications 32, no 21 (20 avril 2020) : 16647–79. http://dx.doi.org/10.1007/s00521-020-04908-5.
Texte intégralHuang, Ming, Fuzhen Zhuang, Xiao Zhang, Xiang Ao, Zhengyu Niu, Min-Ling Zhang et Qing He. « Supervised representation learning for multi-label classification ». Machine Learning 108, no 5 (13 février 2019) : 747–63. http://dx.doi.org/10.1007/s10994-019-05783-5.
Texte intégralHaghir Chehreghani, Morteza. « Unsupervised representation learning with Minimax distance measures ». Machine Learning 109, no 11 (28 juillet 2020) : 2063–97. http://dx.doi.org/10.1007/s10994-020-05886-4.
Texte intégralMiyamoto, Hiroyuki, Jun Morimoto, Kenji Doya et Mitsuo Kawato. « Reinforcement learning with via-point representation ». Neural Networks 17, no 3 (avril 2004) : 299–305. http://dx.doi.org/10.1016/j.neunet.2003.11.004.
Texte intégralTavanaei, Amirhossein, Timothée Masquelier et Anthony Maida. « Representation learning using event-based STDP ». Neural Networks 105 (septembre 2018) : 294–303. http://dx.doi.org/10.1016/j.neunet.2018.05.018.
Texte intégralJiao, Pengfei, Hongjiang Chen, Huijun Tang, Qing Bao, Long Zhang, Zhidong Zhao et Huaming Wu. « Contrastive representation learning on dynamic networks ». Neural Networks 174 (juin 2024) : 106240. http://dx.doi.org/10.1016/j.neunet.2024.106240.
Texte intégralChikwendu, Ijeoma Amuche, Xiaoling Zhang, Isaac Osei Agyemang, Isaac Adjei-Mensah, Ukwuoma Chiagoziem Chima et Chukwuebuka Joseph Ejiyi. « A Comprehensive Survey on Deep Graph Representation Learning Methods ». Journal of Artificial Intelligence Research 78 (25 octobre 2023) : 287–356. http://dx.doi.org/10.1613/jair.1.14768.
Texte intégralJurewicz, Mateusz, et Leon Derczynski. « Set-to-Sequence Methods in Machine Learning : A Review ». Journal of Artificial Intelligence Research 71 (12 août 2021) : 885–924. http://dx.doi.org/10.1613/jair.1.12839.
Texte intégralTadepalli, P., et B. K. Natarajan. « A Formal Framework for Speedup Learning from Problems and Solutions ». Journal of Artificial Intelligence Research 4 (1 juin 1996) : 445–75. http://dx.doi.org/10.1613/jair.154.
Texte intégralQin, Jisheng, Xiaoqin Zeng, Shengli Wu et Yang Zou. « Context-sensitive graph representation learning ». Connection Science 34, no 1 (14 septembre 2022) : 2313–31. http://dx.doi.org/10.1080/09540091.2022.2115010.
Texte intégralAshley, Kevin D., et Edwina L. Rissland. « Law, learning and representation ». Artificial Intelligence 150, no 1-2 (novembre 2003) : 17–58. http://dx.doi.org/10.1016/s0004-3702(03)00109-7.
Texte intégralAL-Fayyadh, Hayder Rahm Dakheel, Salam Abdulabbas Ganim Ali et Dr Basim Abood. « Modelling an Adaptive Learning System Using Artificial Intelligence ». Webology 19, no 1 (24 décembre 2021) : 01–18. http://dx.doi.org/10.14704/web/v19i1/web19001.
Texte intégralMaher, Mary Lou, et Heng Li. « Learning design concepts using machine learning techniques ». Artificial Intelligence for Engineering Design, Analysis and Manufacturing 8, no 2 (1994) : 95–111. http://dx.doi.org/10.1017/s0890060400000706.
Texte intégralHambadjawa, Johan Agung Pramono, et Khaerunnisa. « Development Concept of Artificial Intelligence as an Architect’s Representation : Literature Review ». Arsir 8, no 1 (22 mars 2024) : 14–25. http://dx.doi.org/10.32502/arsir.v8i1.53.
Texte intégralWang, Meng-Xiang, Wang-Chien Lee, Tao-Yang Fu et Ge Yu. « On Representation Learning for Road Networks ». ACM Transactions on Intelligent Systems and Technology 12, no 1 (22 décembre 2020) : 1–27. http://dx.doi.org/10.1145/3424346.
Texte intégralLu, Run-kun, Jian-wei Liu, Si-ming Lian et Xin Zuo. « Multi-view representation learning in multi-task scene ». Neural Computing and Applications 32, no 14 (29 octobre 2019) : 10403–22. http://dx.doi.org/10.1007/s00521-019-04577-z.
Texte intégralXie, Ruobing, Stefan Heinrich, Zhiyuan Liu, Cornelius Weber, Yuan Yao, Stefan Wermter et Maosong Sun. « Integrating Image-Based and Knowledge-Based Representation Learning ». IEEE Transactions on Cognitive and Developmental Systems 12, no 2 (juin 2020) : 169–78. http://dx.doi.org/10.1109/tcds.2019.2906685.
Texte intégralSun, Yanan, Hua Mao, Yongsheng Sang et Zhang Yi. « Explicit guiding auto-encoders for learning meaningful representation ». Neural Computing and Applications 28, no 3 (20 octobre 2015) : 429–36. http://dx.doi.org/10.1007/s00521-015-2082-x.
Texte intégralDietterich, T. G. « Hierarchical Reinforcement Learning with the MAXQ Value Function Decomposition ». Journal of Artificial Intelligence Research 13 (1 novembre 2000) : 227–303. http://dx.doi.org/10.1613/jair.639.
Texte intégralKocabas, S. « A review of learning ». Knowledge Engineering Review 6, no 3 (septembre 1991) : 195–222. http://dx.doi.org/10.1017/s0269888900005804.
Texte intégralO’Mahony, Niall, Sean Campbell, Lenka Krpalkova, Anderson Carvalho, Joseph Walsh et Daniel Riordan. « Representation Learning for Fine-Grained Change Detection ». Sensors 21, no 13 (30 juin 2021) : 4486. http://dx.doi.org/10.3390/s21134486.
Texte intégralLesort, Timothée, Natalia Díaz-Rodríguez, Jean-Frano̧is Goudou et David Filliat. « State representation learning for control : An overview ». Neural Networks 108 (décembre 2018) : 379–92. http://dx.doi.org/10.1016/j.neunet.2018.07.006.
Texte intégralFRANKLIN, JUDY A., et KRYSTAL K. LOCKE. « RECURRENT NEURAL NETWORKS FOR MUSICAL PITCH MEMORY AND CLASSIFICATION ». International Journal on Artificial Intelligence Tools 14, no 01n02 (février 2005) : 329–42. http://dx.doi.org/10.1142/s0218213005002120.
Texte intégralShui, Changjian, Boyu Wang et Christian Gagné. « On the benefits of representation regularization in invariance based domain generalization ». Machine Learning 111, no 3 (1 janvier 2022) : 895–915. http://dx.doi.org/10.1007/s10994-021-06080-w.
Texte intégralLi, Fuzhen, Zhenfeng Zhu, Xingxing Zhang, Jian Cheng et Yao Zhao. « Diffusion induced graph representation learning ». Neurocomputing 360 (septembre 2019) : 220–29. http://dx.doi.org/10.1016/j.neucom.2019.06.012.
Texte intégralLittman, David, et Maarten van Someren. « International Workshop on Knowledge Representation and Organization in Machine Learning ». AI Communications 1, no 1 (1988) : 44–45. http://dx.doi.org/10.3233/aic-1988-1108.
Texte intégralZeng, Deyu, Jing Sun, Zongze Wu, Chris Ding et Zhigang Ren. « Data representation learning via dictionary learning and self-representation ». Applied Intelligence, 31 août 2023. http://dx.doi.org/10.1007/s10489-023-04902-z.
Texte intégralMerckling, Astrid, Nicolas Perrin-Gilbert, Alex Coninx et Stéphane Doncieux. « Exploratory State Representation Learning ». Frontiers in Robotics and AI 9 (14 février 2022). http://dx.doi.org/10.3389/frobt.2022.762051.
Texte intégralDeshmukh, Aniket Anand, Jayanth Reddy Regatti, Eren Manavoglu et Urun Dogan. « Representation learning for clustering via building consensus ». Machine Learning, 9 septembre 2022. http://dx.doi.org/10.1007/s10994-022-06194-9.
Texte intégralXu, Lingling, Haoran Xie, Zongxi Li, Fu Lee Wang, Weiming Wang et Qing Li. « Contrastive Learning Models for Sentence Representations ». ACM Transactions on Intelligent Systems and Technology, 2 mai 2023. http://dx.doi.org/10.1145/3593590.
Texte intégralWang, Yuwei, et Yi Zeng. « Statistical Analysis of Multisensory and Text-Derived Representations on Concept Learning ». Frontiers in Computational Neuroscience 16 (27 avril 2022). http://dx.doi.org/10.3389/fncom.2022.861265.
Texte intégralWickstrøm, Kristoffer K., Daniel J. Trosten, Sigurd Løkse, Ahcène Boubekki, Karl øyvind Mikalsen, Michael C. Kampffmeyer et Robert Jenssen. « RELAX : Representation Learning Explainability ». International Journal of Computer Vision, 11 mars 2023. http://dx.doi.org/10.1007/s11263-023-01773-2.
Texte intégralHiggins, Irina, Sébastien Racanière et Danilo Rezende. « Symmetry-Based Representations for Artificial and Biological General Intelligence ». Frontiers in Computational Neuroscience 16 (14 avril 2022). http://dx.doi.org/10.3389/fncom.2022.836498.
Texte intégralJeub, Lucas G. S., Giovanni Colavizza, Xiaowen Dong, Marya Bazzi et Mihai Cucuringu. « Local2Global : a distributed approach for scaling representation learning on graphs ». Machine Learning, 24 février 2023. http://dx.doi.org/10.1007/s10994-022-06285-7.
Texte intégralOuyang, Tinghui, et Xun Shen. « Representation learning based on hybrid polynomial approximated extreme learning machine ». Applied Intelligence, 26 octobre 2021. http://dx.doi.org/10.1007/s10489-021-02915-0.
Texte intégralBorrego-Díaz, Joaquín, et Juan Galán Páez. « Knowledge representation for explainable artificial intelligence ». Complex & ; Intelligent Systems, 4 janvier 2022. http://dx.doi.org/10.1007/s40747-021-00613-5.
Texte intégral