( en | de | ru )

 

Disambiguierung von "Mazeika, Mantas"

Autor der Publikation

KopierenLöschenDiese Publikation zur Ablage hinzufügen
Using Self-Supervised Learning Can Improve Model Robustness and Uncertainty.

, , , und . NeurIPS, Seite 15637-15648. (2019)

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.

Pranas Mazeika

Mantas Lukosevicius

Apostolos Mantas

Mantas Navickas

Mantas Luko evi ius

 

Weitere Publikationen von Autoren mit dem selben Namen

Scaling Out-of-Distribution Detection for Real-World Settings., , , , , , , und . ICML, Volume 162 von Proceedings of Machine Learning Research, Seite 8759-8773. PMLR, (2022)How to Steer Your Adversary: Targeted and Efficient Model Stealing Defenses with Gradient Redirection., , und . ICML, Volume 162 von Proceedings of Machine Learning Research, Seite 15241-15254. PMLR, (2022)The Trojan Detection Challenge., , , , , , , , , und 9 andere Autor(en). NeurIPS (Competition and Demos), Volume 220 von Proceedings of Machine Learning Research, Seite 279-291. PMLR, (2021)How Would The Viewer Feel? Estimating Wellbeing From Video Scenarios., , , , , , , , und . NeurIPS, (2022)PixMix: Dreamlike Pictures Comprehensively Improve Safety Measures., , , , , , und . CVPR, Seite 16762-16771. IEEE, (2022)What Would Jiminy Cricket Do? Towards Agents That Behave Morally., , , , , , , , und . NeurIPS Datasets and Benchmarks, (2021)Measuring Massive Multitask Language Understanding., , , , , , und . ICLR, OpenReview.net, (2021)Deep Anomaly Detection with Outlier Exposure, , und . (2018)cite arxiv:1812.04606Comment: ICLR 2019; PyTorch code available at https://github.com/hendrycks/outlier-exposure.Deep Anomaly Detection with Outlier Exposure., , und . International Conference on Learning Representations, OpenReview.net, (2019)Using Trusted Data to Train Deep Networks on Labels Corrupted by Severe Noise., , , und . NeurIPS, Seite 10477-10486. (2018)