Zobrazeno 1 - 10
of 466
pro vyhledávání: '"Nicosia G"'
Publikováno v:
33rd International Conference on Artificial Neural Networks (ICANN) (2024)
Hierarchical federated learning (HFL) is a promising distributed deep learning model training paradigm, but it has crucial security concerns arising from adversarial attacks. This research investigates and assesses the security of HFL using a novel m
Externí odkaz:
http://arxiv.org/abs/2408.10752
Autor:
Adamová, D., Rinella, G. Aglieri, Agnello, M., Ahammed, Z., Aleksandrov, D., Alici, A., Alkin, A., Alt, T., Altsybeev, I., Andreou, D., Andronic, A., Antinori, F., Antonioli, P., Appelshäuser, H., Arnaldi, R., Arsene, I. C., Arslandok, M., Averbeck, R., Azmi, M. D., Bai, X., Bailhache, R., Bala, R., Barioglio, L., Barnaföldi, G. G., Barnby, L. S., Bartalini, P., Barth, K., Basu, S., Becattini, F., Bedda, C., Belikov, I., Bellini, F., Bellwied, R., Beole, S., Bergmann, L., Bertens, R. A., Besoiu, M., Betev, L., Bhatti, A., Bianchi, A., Bianchi, L., Bielčík, J., Bielčíková, J., Bilandzic, A., Biswas, S., Biswas, R., Blau, D., Bock, F., Bombara, M., Borri, M., Braun-Munzinger, P., Bregant, M., Bruno, G. E., Buckland, M. D., Buesching, H., Bufalino, S., Buncic, P., Butt, J. B., Caliva, A., Camerini, P., Carnesecchi, F., Castellanos, J. Castillo, Catalano, F., Chapeland, S., Chartier, M., Cheshkov, C., Cheynis, B., Barroso, V. Chibante, Chinellato, D. D., Chochula, P., Chujo, T., Cicalo, C., Colamaria, F., Colella, D., Concas, M., del Valle, Z. Conesa, Contin, G., Contreras, J. G., Costa, F., Dönigus, B., Dahms, T., Dainese, A., Dainton, J., Danu, A., Das, S., Das, D., Dash, S., Dash, A., David, G., De Caro, A., de Cataldo, G., De Falco, A., De Marco, N., De Pasquale, S., Deb, S., Di Bari, D., Di Mauro, A., Dietel, T., Divià, R., Dmitrieva, U., Dobrin, A., Dubey, A. K., Dubla, A., Elia, D., Erazmus, B., Erokhin, A., Eulisse, G., Evans, D., Fabbietti, L., Faggin, M., Fecchio, P., Feliciello, A., Feofilov, G., Téllez, A. Fernández, Festanti, A., Floerchinger, S., Foka, P., Fokin, S., Franco, A., Furget, C., Furs, A., Gaardhøje, J., Gagliardi, M., Ganoti, P., Garabatos, C., Garcia-Solis, E., Gargiulo, C., Gasik, P., Ducati, M. B. Gay, Germain, M., Ghosh, P., Giubellino, P., Giubilato, P., Glässel, P., Gonzalez, V., Grachov, O., Grigoryan, A., Grigoryan, S., Grosa, F., Grosse-Oetringhaus, J. F., Guernane, R., Gunji, T., Gupta, R., Gupta, A., Habib, M. K., Hamagaki, H., Harris, J. W., Hatzifotiadou, D., Heckel, S. T., Hellbär, E., Helstrup, H., Herman, T., Hillemanns, H., Hills, C., Hippolyte, B., Hornung, S., Hristov, P., Iddon, J. P., Igolkin, S., Innocenti, G., Ippolitov, M., Ivanov, M., Jacholkowski, A., Jung, M., Jusko, A., Köhler, M. K., Kabana, S., Kalweit, A., Uysal, A. Karasu, Karavicheva, T., Kebschull, U., Keidel, R., Keil, M., Ketzer, B., Khan, S. A., Khanzadeev, A., Kharlov, Y., Khuntia, A., Kim, B., Kim, J., Kim, M., Klein, J., Klein, C., Klein-Bösing, C., Klewin, S., Kluge, A., Knichel, M. L., Kobdaj, C., Kofarago, M., Konopka, P. J., Kovalenko, V., Králik, I., Krüger, M., Kreis, L., Krivda, M., Krizek, F., Kroesen, M., Kryshen, E., Kučera, V., Kuhn, C., Kumar, L., Kundu, S., Kushpil, S., Kweon, M. J., Kwon, M., Kwon, Y., Lévai, P., La Pointe, S. L., Laudi, E., Lazareva, T., Lea, R., Leardini, L., Lee, S., Lemmon, R. C., Lietava, R., Lim, B., Lindenstruth, V., Lindner, A., Lippmann, C., Liu, J., Lopez, J. Lopez, Lourenco, C., Luparello, G., Mahmood, S. M., Maire, A., Manzari, V., Mao, Y., Marín, A., Marchisone, M., Margagliotti, G. V., Marquard, M., Martinengo, P., Masciocchi, S., Masera, M., Masson, E., Mastroserio, A., Mathis, A. M., Matyja, A., Mazzilli, M., Mazzoni, M. A., Micheletti, L., Mishra, A. N., Miskowiec, D., Mohanty, B., Khan, M. Mohisin, Morsch, A., Mrnjavac, T., Muccifora, V., Mühlheim, D., Muhuri, S., Mulligan, J. D., Munhoz, M. G., Munzer, R. H., Murakami, H., Musa, L., Naik, B., Nandi, B. K., Nania, R., Nayak, T. K., Nesterov, D., Nicosia, G., Nikolaev, S., Nikulin, V., Noferini, F., Norman, J., Nyanin, A., Okorokov, V., Oppedisano, C., Otwinowski, J., Oyama, K., Płoskoń, M., Pachmayer, Y., Pandey, A. K., Pastore, C., Pawlowski, J., Pei, H., Peitzmann, T., Peresunko, D., Petrovici, M., Pezzi, R. P., Piano, S., Prakasa, E., Prasad, S. K., Preghenella, R., Prino, F., Pruneau, C. A., Pshenichnov, I., Puccio, M., Pucek, J., Quercigh, E., Röhrich, D., Ramello, L., Rami, F., Raniwala, S., Raniwala, R., Rath, R., Ravasenga, I., Redelbach, A., Redlich, K., Reidt, F., Reygers, K., Riabov, V., Riedler, P., Riegler, W., Rischke, D., Ristea, C., Rode, S. P., Cahuantzi, M. Rodríguez, Rohr, D., Rossi, A., Rui, R., Rustamov, A., Rybicki, A., Šafařík, K., Sadikin, R., Sadovsky, S., Sahoo, R., Sahoo, P., Sahu, P. K., Saini, J., Samsonov, V., Sarma, P., Scheid, H. S., Schicker, R., Schmah, A., Schmidt, M. O., Schmidt, C., Schutz, Y., Schweda, K., Scomparin, E., Seger, J. E., Senyukov, S., Seryakov, A., Shahoyan, R., Sharma, N., Siddhanta, S., Siemiarczuk, T., Singh, R., Sitta, M., Soltveit, H., Spyropoulou-Stassinaki, M., Stachel, J., Sugitate, T., Sumowidagdo, S., Sun, X., Takahashi, J., Terrevoli, C., Toia, A., Topilskaya, N., Tripathy, S., Trogolo, S., Trubnikov, V., Trzaska, W. H., Trzeciak, B. A., Tveter, T. S., Uras, A., Usai, G. L., Valentino, G., van Doremalen, L. V. R., van Leeuwen, M., Vyvre, P. Vande, Vasileiou, M., Vechernin, V., Vermunt, L., Baillie, O. Villalobos, Virgili, T., Vodopyanov, A., Voloshin, S. A., Volpe, G., von Haller, B., Vorobyev, I., Wang, Y., Weber, M., Wegrzynek, A., Weiser, D. F., Wenzel, S. C., Wessels, J. P., Wiechula, J., Wiedemann, U., Wilkinson, J., Windelband, B., Winn, M., Xu, N., Yamakawa, K., Yin, Z., Yoo, I. -K., Yoon, J. H., Yuncu, A., Zaccolo, V., Zampolli, C., Zarochentsev, A., Zhang, B., Zhang, X., Zhao, C., Zherebchevskii, V., Zhou, D., Zhou, Y., Zinovjev, G.
The present document discusses plans for a compact, next-generation multi-purpose detector at the LHC as a follow-up to the present ALICE experiment. The aim is to build a nearly massless barrel detector consisting of truly cylindrical layers based o
Externí odkaz:
http://arxiv.org/abs/1902.01211
Publikováno v:
In Solid State Electronics January 2019 151:18-22
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.
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:
In Theoretical Computer Science 27 September 2015 599:102-117
Autor:
Mettes, P., Nicosia, G., Ojha, V., La Malfa, E., La Malfa, G., Pardalos, P., Di Fatta, G., Giuffrida, G., Umeton, R.
Publikováno v:
Machine Learning, Optimization, and Data Science ISBN: 9783031255984
Machine Learning, Optimization, and Data Science: 8th International Conference, LOD 2022, Certosa di Pontignano, Italy, September 19–22, 2022, Revised Selected Papers, I, 48-61
Machine Learning, Optimization, and Data Science: 8th International Conference, LOD 2022, Certosa di Pontignano, Italy, September 19–22, 2022, Revised Selected Papers, I, 48-61
This work proposes codebook encodings for graph networks that operate on hyperbolic manifolds. Where graph networks commonly learn node representations in Euclidean space, recent work has provided a generalization to Riemannian manifolds, with a part
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::55782b8384e2b589cded33adaf260098
https://doi.org/10.1007/978-3-031-25599-1_5
https://doi.org/10.1007/978-3-031-25599-1_5
Autor:
Hanse, G., Winter, R. de, Stein, B. van, Bäck, T.H.W., Nicosia, G., Ojha, V., Malfa, E. La, Malfa, G. La, Jansen, G., Pardalos, P.M., Giuffrida, G., Umeton, R.
Publikováno v:
Machine Learning, Optimization, and Data Science. LOD 2021, 144-156. Cham: Springer
STARTPAGE=144;ENDPAGE=156;TITLE=Machine Learning, Optimization, and Data Science. LOD 2021
STARTPAGE=144;ENDPAGE=156;TITLE=Machine Learning, Optimization, and Data Science. LOD 2021
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=dedup_wf_001::814ac04cc416d31740bd786e5847d31b
http://hdl.handle.net/1887/3279362
http://hdl.handle.net/1887/3279362
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.