Zobrazeno 1 - 10
of 38
pro vyhledávání: '"DeGrave, Alex"'
While deep learning has shown promise in the domain of disease classification from medical images, models based on state-of-the-art convolutional neural network architectures often exhibit performance loss due to dataset shift. Models trained using d
Externí odkaz:
http://arxiv.org/abs/2001.04051
Autor:
Lundberg, Scott M., Erion, Gabriel, Chen, Hugh, DeGrave, Alex, Prutkin, Jordan M., Nair, Bala, Katz, Ronit, Himmelfarb, Jonathan, Bansal, Nisha, Lee, Su-In
Tree-based machine learning models such as random forests, decision trees, and gradient boosted trees are the most popular non-linear predictive models used in practice today, yet comparatively little attention has been paid to explaining their predi
Externí odkaz:
http://arxiv.org/abs/1905.04610
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:
Kim, Chanwoo, Gadgil, Soham U., DeGrave, Alex J., Cai, Zhuo Ran, Daneshjou, Roxana, Lee, Su-In
Publikováno v:
medRxiv
Building trustworthy and transparent image-based medical AI systems requires the ability to interrogate data and models at all stages of the development pipeline: from training models to post-deployment monitoring. Ideally, the data and associated AI
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=pmid________::8b1805c560390de734c3b35f4a77ca39
https://europepmc.org/articles/PMC10312868/
https://europepmc.org/articles/PMC10312868/
Autor:
Bogetti, Anthony T., Leung, Jeremy M. G., Russo, John D., Zhang, She, Thompson, Jeff P., Saglam, Ali S., Ray, Dhiman, Mostofian, Barmak, Pratt, AJ, Abraham, Rhea C., Harrison, Page O., Dudek, Max, Torrillo, Paul A., DeGrave, Alex J., Adhikari, Upendra, Faeder, James R., Andricioaei, Ioan, Adelman, Joshua L., Zwier, Matthew C., LeBard, David N., Zuckerman, Daniel M., Chong, Lillian T.
Publikováno v:
Living J Comput Mol Sci
The weighted ensemble (WE) strategy has been demonstrated to be highly efficient in generating pathways and rate constants for rare events such as protein folding and protein binding using atomistic molecular dynamics simulations. Here we present two
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::bdfd685c8c012e2e0b0024815fb97246
https://europepmc.org/articles/PMC10191340/
https://europepmc.org/articles/PMC10191340/
Publikováno v:
Journal of Chemical Physics; 3/21/2021, Vol. 154 Issue 11, p1-11, 11p
Autor:
Bogetti, Anthony T., Piston, Hannah E., Leung, Jeremy M. G., Cabalteja, Chino C., Yang, Darian T., DeGrave, Alex J., Debiec, Karl T., Cerutti, David S., Case, David A., Horne, W. Seth, Chong, Lillian T.
Publikováno v:
Journal of Chemical Physics; 8/14/2020, Vol. 153 Issue 6, p1-11, 11p, 2 Charts, 3 Graphs
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.