( en | de | ru )

 

Disambiguierung von "Raff, Edward"

Autor der Publikation

KopierenLöschenDiese Publikation zur Ablage hinzufügen
Practical Cross-Modal Manifold Alignment for Robotic Grounded Language Learning.

, , , , , , und . CVPR Workshops, Seite 1613-1622. Computer Vision Foundation / IEEE, (2021)

Bitte wählen Sie eine Person um die Publikation zuzuordnen

Um zwischen Personen mit demselben Namen zu unterscheiden, wird der akademische Grad und der Titel einer wichtigen Publikation angezeigt. Zudem lassen sich über den Button neben dem Namen einige der Person bereits zugeordnete Publikationen anzeigen.

Fritz Raff

Stefan Raff

Thorsten Raff

Hermann Raff

Joachim Raff

 

Weitere Publikationen von Autoren mit dem selben Namen

JSAT: Java Statistical Analysis Tool, a Library for Machine Learning.. J. Mach. Learn. Res., (2017)A Spoken Language Dataset of Descriptions for Speech-Based Grounded Language Learning., , , , , , , , , und 1 andere Autor(en). NeurIPS Datasets and Benchmarks, (2021)Learning with Holographic Reduced Representations., , , , , , und . NeurIPS, Seite 25606-25620. (2021)Fair Forests: Regularized Tree Induction to Minimize Model Bias., , und . AIES, Seite 243-250. ACM, (2018)Lempel-Ziv Networks., , , , , und . ICBINB, Volume 187 von Proceedings of Machine Learning Research, Seite 1-11. PMLR, (2022)Minimizing Compute Costs: When Should We Run More Expensive Malware Analysis?, , , , , , , , , und . CAMLIS, Volume 3391 von CEUR Workshop Proceedings, Seite 81-99. CEUR-WS.org, (2022)Deploying Convolutional Networks on Untrusted Platforms Using 2D Holographic Reduced Representations., , , und . ICML, Volume 162 von Proceedings of Machine Learning Research, Seite 367-393. PMLR, (2022)Bridging the Gap: Using Deep Acoustic Representations to Learn Grounded Language from Percepts and Raw Speech., , , , und . AAAI, Seite 10884-10893. AAAI Press, (2022)Research Reproducibility as a Survival Analysis.. AAAI, Seite 469-478. AAAI Press, (2021)Barrage of Random Transforms for Adversarially Robust Defense., , , und . CVPR, Seite 6528-6537. Computer Vision Foundation / IEEE, (2019)