Zobrazeno 1 - 10
of 22
pro vyhledávání: '"Rulli C."'
Recent studies in Learning to Rank have shown the possibility to effectively distill a neural network from an ensemble of regression trees. This result leads neural networks to become a natural competitor of tree-based ensembles on the ranking task.
Externí odkaz:
http://arxiv.org/abs/2202.10728
Publikováno v:
Phys. Rev. A 86, 062106 (2012)
We introduce a monogamy inequality for quantum correlations, which implies that the sum of pairwise quantum correlations is upper limited by the amount of multipartite quantum correlations as measured by the global quantum discord. This monogamy boun
Externí odkaz:
http://arxiv.org/abs/1207.2650
Publikováno v:
Phys. Rev. A 84, 042123 (2011)
We investigate a witness for nonclassical multipartite states based on their disturbance under local measurements. The witness operator provides a sufficient condition for nonclassicality that coincides with a nonvanishing global quantum discord, but
Externí odkaz:
http://arxiv.org/abs/1108.4001
Autor:
Rulli, C. C., Sarandy, M. S.
Publikováno v:
Phys. Rev. A 84, 042109 (2011)
We propose a global measure for quantum correlations in multipartite systems, which is obtained by suitably recasting the quantum discord in terms of relative entropy and local von Neumann measurements. The measure is symmetric with respect to subsys
Externí odkaz:
http://arxiv.org/abs/1105.2548
Autor:
Rulli, C. C., Sarandy, M. S.
Publikováno v:
Phys. Rev. A 81, 032334 (2010)
The characterization of an infinite-order quantum phase transition (QPT) by entanglement measures is analyzed. To this aim, we consider two closely related solvable spin-1/2 chains, namely, the Ashkin-Teller and the staggered XXZ models. These system
Externí odkaz:
http://arxiv.org/abs/0912.0246
Publikováno v:
IEEE transactions on knowledge and data engineering (Online) 35 (2022): 4695–4712. doi:10.1109/TKDE.2022.3152585
IEEE transactions on knowledge and data engineering (Online) (2022): 103330. doi:10.1109/TKDE.2022.3152585
info:cnr-pdr/source/autori:Nardini F.M.; Rulli C.; Trani S.; Venturini R./titolo:Distilled neural networks for efficient learning to rank/doi:10.1109%2FTKDE.2022.3152585/rivista:IEEE transactions on knowledge and data engineering (Online)/anno:2022/pagina_da:/pagina_a:103330/intervallo_pagine:103330/volume
IEEE transactions on knowledge and data engineering (Online) (2022): 103330. doi:10.1109/TKDE.2022.3152585
info:cnr-pdr/source/autori:Nardini F.M.; Rulli C.; Trani S.; Venturini R./titolo:Distilled neural networks for efficient learning to rank/doi:10.1109%2FTKDE.2022.3152585/rivista:IEEE transactions on knowledge and data engineering (Online)/anno:2022/pagina_da:/pagina_a:103330/intervallo_pagine:103330/volume
Recent studies in Learning to Rank have shown the possibility to effectively distill a neural network from an ensemble of regression trees. This result leads neural networks to become a natural competitor of tree-based ensembles on the ranking task.
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::0f7def747f41342da500302c3b37ebbc
Conference
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.
Conference
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Conference
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.