Zobrazeno 1 - 10
of 87
pro vyhledávání: '"Xu, Xiaoran"'
Autor:
Deng, Xuefan, Xu, Xiaoran, Xia, Shiying, Wang, Zhengxi, Li, Yi, Huang, Tianhe, Wei, Yongchang, Zhang, Haibo
Publikováno v:
In Colloids and Surfaces B: Biointerfaces September 2024 241
Autor:
Guo, Beibei, Zheng, Yawen, Fan, Yujia, Yang, Yang, Wang, Yuxing, Qin, Liping, An, Yachun, Xu, Xiaoran, Zhang, Xiyu, Sun, Gongping, Dou, Hao, Shao, Changshun, Gong, Yaoqin, Jiang, Baichun, Hu, Huili
Publikováno v:
In Neoplasia July 2024 53
Autor:
Xu, Xiaoran, Zhao, Haixu, Wang, JiaJia, Kuklin, Artem, Ågren, Hans, Deng, Xuefan, Huang, Tianhe, Baryshnikov, Glib, Wei, Yongchang, Zhang, Haibo
Publikováno v:
In Journal of Colloid And Interface Science 15 March 2024 658:276-285
Recently, the embedding-based recommendation models (e.g., matrix factorization and deep models) have been prevalent in both academia and industry due to their effectiveness and flexibility. However, they also have such intrinsic limitations as lacki
Externí odkaz:
http://arxiv.org/abs/1912.08422
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
We propose Dynamically Pruned Message Passing Networks (DPMPN) for large-scale knowledge graph reasoning. In contrast to existing models, embedding-based or path-based, we learn an input-dependent subgraph to explicitly model reasoning process. Subgr
Externí odkaz:
http://arxiv.org/abs/1909.11334
The ability of reasoning beyond data fitting is substantial to deep learning systems in order to make a leap forward towards artificial general intelligence. A lot of efforts have been made to model neural-based reasoning as an iterative decision-mak
Externí odkaz:
http://arxiv.org/abs/1905.13049
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.
Real-world scenarios demand reasoning about process, more than final outcome prediction, to discover latent causal chains and better understand complex systems. It requires the learning algorithms to offer both accurate predictions and clear interpre
Externí odkaz:
http://arxiv.org/abs/1811.00497