Zobrazeno 1 - 10
of 128
pro vyhledávání: '"Shahbaba B"'
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 Journal of Investigative Dermatology May 2023 143(5) Supplement:S253-S253
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:
Holbrook, A; Lan, S; Streets, J; & Shahbaba, B. (2017). The nonparametric Fisher geometry and the chi-square process density prior. UC Irvine: Retrieved from: http://www.escholarship.org/uc/item/3x94p3dg
It is well known that the Fisher information induces a Riemannian geometry on parametric families of probability density functions. Following recent work, we consider the nonparametric generalization of the Fisher geometry. The resulting nonparametri
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::7722e93b201283b9001a1e8413bed009
http://arxiv.org/abs/1707.03117
http://arxiv.org/abs/1707.03117
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Lan, S, Shahbaba, B
Publikováno v:
Lan, S; & Shahbaba, B. (2017). Sampling constrained probability distributions using Spherical Augmentation. UC Irvine: Retrieved from: http://www.escholarship.org/uc/item/8v20w7nh
Statistical models with constrained probability distributions are abundant in machine learning. Some examples include regression models with norm constraints (e.g., Lasso), probit, many copula models, and latent Dirichlet allocation (LDA). Bayesian i
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::0bd6ff6f5dff88cfdfdc42756274c4c1
http://arxiv.org/abs/1506.05936
http://arxiv.org/abs/1506.05936
Publikováno v:
Scopus-Elsevier
Lan, S; Streets, J; & Shahbaba, B. (2014). Wormhole Hamiltonian Monte Carlo. Proceedings of the National Conference on Artificial Intelligence, 3, 1953-1959. UC Irvine: Retrieved from: http://www.escholarship.org/uc/item/75t8w041
Lan, S; Streets, J; & Shahbaba, B. (2014). Wormhole Hamiltonian Monte Carlo. Proceedings of the National Conference on Artificial Intelligence, 3, 1953-1959. UC Irvine: Retrieved from: http://www.escholarship.org/uc/item/75t8w041
Copyright © 2014, Association for the Advancement of Artificial Intelligence. In machine learning and statistics, probabilistic inference involving multimodal distributions is quite difficult. This is especially true in high dimensional problems, wh
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::df2c0322c583b067f24edfb422a88a82
https://pubmed.ncbi.nlm.nih.gov/25861551
https://pubmed.ncbi.nlm.nih.gov/25861551