Zobrazeno 1 - 10
of 245
pro vyhledávání: '"Jiang, Shengli"'
Graph Neural Networks (GNNs) have emerged as a prominent class of data-driven methods for molecular property prediction. However, a key limitation of typical GNN models is their inability to quantify uncertainties in the predictions. This capability
Externí odkaz:
http://arxiv.org/abs/2307.10438
We discuss basic concepts of convolutional neural networks (CNNs) and outline uses in manufacturing. We begin by discussing how different types of data objects commonly encountered in manufacturing (e.g., time series, images, micrographs, videos, spe
Externí odkaz:
http://arxiv.org/abs/2210.07848
Publikováno v:
In Tribology International September 2024 197
Autor:
Jiang, Shengli, Zavala, Victor M.
Publikováno v:
AIChE J. 2021; e17282
In this paper we review the mathematical foundations of convolutional neural nets (CNNs) with the goals of: i) highlighting connections with techniques from statistics, signal processing, linear algebra, differential equations, and optimization, ii)
Externí odkaz:
http://arxiv.org/abs/2101.04869
Publikováno v:
In Computers and Chemical Engineering February 2024 181
Publikováno v:
In IFAC PapersOnLine 2024 58(14):899-904
Autor:
Jiang, Shengli, Balaprakash, Prasanna
Predicting the properties of a molecule from its structure is a challenging task. Recently, deep learning methods have improved the state of the art for this task because of their ability to learn useful features from the given data. By treating mole
Externí odkaz:
http://arxiv.org/abs/2008.12187
Publikováno v:
In Tribology International February 2023 178 Part A
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.