( en | de | ru )

 

Disambiguierung von "Broderick, Tamara"

Autor der Publikation

KopierenLöschenDiese Publikation zur Ablage hinzufügen
Finite mixture models are typically inconsistent for the number of components

, , und . (2020)cite arxiv:2007.04470Comment: 16 pages, 1 figure.

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.

Tamara Broderick

George Broderick

Tamara Umland

Tamara Löwenstein

Tamara Korin

 

Weitere Publikationen von Autoren mit dem selben Namen

Sparse Approximate Cross-Validation for High-Dimensional GLMs., und . CoRR, (2019)Finite mixture models are typically inconsistent for the number of components, , und . (2020)cite arxiv:2007.04470Comment: 16 pages, 1 figure.A Performance Evaluation of Nomon: A Flexible Interface for Noisy Single-Switch Users., , , und . CHI, Seite 495:1-495:17. ACM, (2022)The SKIM-FA Kernel: High-Dimensional Variable Selection and Nonlinear Interaction Discovery in Linear Time., und . J. Mach. Learn. Res., (2023)Multi-marginal Schrödinger Bridges with Iterative Reference Refinement., , und . CoRR, (2024)Scalable Gaussian Process Inference with Finite-data Mean and Variance Guarantees., , , und . AISTATS, Volume 89 von Proceedings of Machine Learning Research, Seite 796-805. PMLR, (2019)A Swiss Army Infinitesimal Jackknife., , , , und . AISTATS, Volume 89 von Proceedings of Machine Learning Research, Seite 1139-1147. PMLR, (2019)LR-GLM: High-Dimensional Bayesian Inference Using Low-Rank Data Approximations., , , und . ICML, Volume 97 von Proceedings of Machine Learning Research, Seite 6315-6324. PMLR, (2019)Can we globally optimize cross-validation loss? Quasiconvexity in ridge regression., , , und . NeurIPS, Seite 24352-24364. (2021)Finite mixture models do not reliably learn the number of components., , und . ICML, Volume 139 von Proceedings of Machine Learning Research, Seite 1158-1169. PMLR, (2021)