Zobrazeno 1 - 6
of 6
pro vyhledávání: '"Gitterle, Markus"'
Autor:
Long, Fu Xing, Frenzel, Moritz, Krause, Peter, Gitterle, Markus, Bäck, Thomas, van Stein, Niki
In landscape-aware algorithm selection problem, the effectiveness of feature-based predictive models strongly depends on the representativeness of training data for practical applications. In this work, we investigate the potential of randomly genera
Externí odkaz:
http://arxiv.org/abs/2409.01446
Autor:
van Stein, Bas, Long, Fu Xing, Frenzel, Moritz, Krause, Peter, Gitterle, Markus, Bäck, Thomas
We propose DoE2Vec, a variational autoencoder (VAE)-based methodology to learn optimization landscape characteristics for downstream meta-learning tasks, e.g., automated selection of optimization algorithms. Principally, using large training data set
Externí odkaz:
http://arxiv.org/abs/2304.01219
Autor:
Gitterle, Markus
This work is on the development of a finite deformation frictional contact formulation including wear and thermal coupling. It is based on the finite element method. For contact surface discretization, the mortar method is chosen and yields perfect r
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=od_______518::a0960888924bf191fbc43d3ef1311499
https://mediatum.ub.tum.de/1108639
https://mediatum.ub.tum.de/1108639
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.
Publikováno v:
Key Engineering Materials; February 2016, Vol. 681 Issue: 1 p1-18, 18p
