Zobrazeno 1 - 10
of 18
pro vyhledávání: '"Chandra, Swarup"'
Good quality similarity metrics can significantly facilitate the performance of many large-scale, real-world applications. Existing studies have proposed various solutions to learn a Mahalanobis or bilinear metric in an online fashion by either restr
Externí odkaz:
http://arxiv.org/abs/2104.01495
One of the key challenges of performing label prediction over a data stream concerns with the emergence of instances belonging to unobserved class labels over time. Previously, this problem has been addressed by detecting such instances and using the
Externí odkaz:
http://arxiv.org/abs/1811.05141
When performing data classification over a stream of continuously occurring instances, a key challenge is to develop an open-world classifier that anticipates instances from an unknown class. Studies addressing this problem, typically called novel cl
Externí odkaz:
http://arxiv.org/abs/1810.03966
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Al-Naami, Khaled, Chandra, Swarup, Mustafa, Ahmad, Khan, Latifur, Lin, Zhiqiang, Hamlen, Kevin, Thuraisingham, Bhavani
Publikováno v:
ACM International Conference Proceeding Series; 12/5/2016, p177-188, 12p
Publikováno v:
International Conference on Security & Privacy in Communication Networks; 2015, p427-435, 9p
Publikováno v:
2015 IEEE Symposium Series on Computational Intelligence; 2015, p795-802, 8p
Publikováno v:
2014 IEEE International Conference on Big Data (Big Data); 2014, p597-602, 6p
Publikováno v:
2014 IEEE Symposium on Computational Intelligence & Data Mining (CIDM); 2014, p446-453, 8p