( en | de | ru )

 

Disambiguierung von "Yaroslavtsev, Grigory"

Autor der Publikation

KopierenLöschenDiese Publikation zur Ablage hinzufügen
Optimality of Linear Sketching Under Modular Updates.

, , und . CCC, Volume 137 von LIPIcs, Seite 13:1-13:17. Schloss Dagstuhl - Leibniz-Zentrum für Informatik, (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.

Grigory Panasenko

Grigory Soloweitschik

Grigory Genikhovich

Grigory Shevchenko

Grigory Kuznetsov

 

Weitere Publikationen von Autoren mit dem selben Namen

Fast Fourier Sparsity Testing., und . SOSA, Seite 57-68. SIAM, (2020)Hierarchical Clustering for Euclidean Data., , , und . AISTATS, Volume 89 von Proceedings of Machine Learning Research, Seite 2721-2730. PMLR, (2019)Objective-Based Hierarchical Clustering of Deep Embedding Vectors., , und . AAAI, Seite 9055-9063. AAAI Press, (2021)Optimality of Linear Sketching Under Modular Updates., , und . CCC, Volume 137 von LIPIcs, Seite 13:1-13:17. Schloss Dagstuhl - Leibniz-Zentrum für Informatik, (2019)Beating the Direct Sum Theorem in Communication Complexity with Implications for Sketching., , und . SODA, Seite 1738-1756. SIAM, (2013)Bisect and Conquer: Hierarchical Clustering via Max-Uncut Bisection., , , , , , und . AISTATS, Volume 108 von Proceedings of Machine Learning Research, Seite 3121-3132. PMLR, (2020)Tree Learning: Optimal Algorithms and Sample Complexity., , , , , und . CoRR, (2023)Linear Sketching over F_2., , , und . CCC, Volume 102 von LIPIcs, Seite 8:1-8:37. Schloss Dagstuhl - Leibniz-Zentrum für Informatik, (2018)Bisect and Conquer: Hierarchical Clustering via Max-Uncut Bisection., , , , , , und . CoRR, (2019)"Bring Your Own Greedy"+Max: Near-Optimal 1/2-Approximations for Submodular Knapsack., , und . AISTATS, Volume 108 von Proceedings of Machine Learning Research, Seite 3263-3274. PMLR, (2020)