( en | de | ru )

 

Disambiguierung von "Jakobs, Matthias"

Autor der Publikation

KopierenLöschenDiese Publikation zur Ablage hinzufügen
Explainable online ensemble of deep neural network pruning for time series forecasting.

, , und . Mach. Learn., 111 (9): 3459-3487 (2022)

Bitte wählen Sie eine Person um die Publikation zuzuordnen

Um zwischen Personen mit demselben Namen zu unterscheiden, wird der akademische Grad und der Titel einer wichtigen Publikation angezeigt. Zudem lassen sich über den Button neben dem Namen einige der Person bereits zugeordnete Publikationen anzeigen.

Matthias Jakobs

Tobias Jakobs

Moritz Jakobs

Hermann Jakobs

Christian Jakobs

 

Weitere Publikationen von Autoren mit dem selben Namen

Yes we care!-Certification for machine learning methods through the care label framework., , , , , , , , und . Frontiers Artif. Intell., (2022)SancScreen: Towards a Real-world Dataset for Evaluating Explainability Methods., , , und . LWDA, Volume 3341 von CEUR Workshop Proceedings, Seite 33-44. CEUR-WS.org, (2022)Online Deep Hybrid Ensemble Learning for Time Series Forecasting., und . ECML/PKDD (5), Volume 14173 von Lecture Notes in Computer Science, Seite 156-171. Springer, (2023)Explainable Quantum Machine Learning., , , , , und . CoRR, (2023)Evaluation of the Application of Smart Glasses for Decentralized Control Systems in Logistics., , , , und . ITSC, Seite 4470-4476. IEEE, (2019)Explainable online ensemble of deep neural network pruning for time series forecasting., , und . Mach. Learn., 111 (9): 3459-3487 (2022)Shapley Values with Uncertain Value Functions., , , , und . IDA, Volume 13876 von Lecture Notes in Computer Science, Seite 156-168. Springer, (2023)Energy Efficiency Considerations for Popular AI Benchmarks., , und . CoRR, (2023)Explainable Online Deep Neural Network Selection Using Adaptive Saliency Maps for Time Series Forecasting., , und . ECML/PKDD (1), Volume 12975 von Lecture Notes in Computer Science, Seite 404-420. Springer, (2021)A Unified Framework for Assessing Energy Efficiency of Machine Learning., , , und . PKDD/ECML Workshops (1), Volume 1752 von Communications in Computer and Information Science, Seite 39-54. Springer, (2022)