Przejdź do treści
VuFind
  • Login
    • English
    • Deutsch
    • Español
    • Français
    • Italiano
    • 日本語
    • Nederlands
    • Português
    • Português (Brasil)
    • 中文(简体)
    • 中文(繁體)
    • Türkçe
    • עברית
    • Gaeilge
    • Cymraeg
    • Ελληνικά
    • Català
    • Euskara
    • Русский
    • Čeština
    • Suomi
    • Svenska
    • polski
    • Dansk
    • slovenščina
    • اللغة العربية
    • বাংলা
    • Galego
    • Tiếng Việt
    • Hrvatski
    • हिंदी
    • Հայերէն
    • Українська
    • Sámegiella
    • Монгол
    • Māori
Wyszukiwanie zaawansowane
  • Cytować
  • Wyślij wiadomość
  • Wyślij emailem
  • Drukuj
  • Eksportuj rekord
    • Eksportuj do RefWorks
    • Eksportuj do EndNoteWeb
    • Eksportuj do EndNote
  • Dodaj do listy ulubionych książek
  • Odnośnik bezpośredni
Okładka

Zapisane w:
Opis bibliograficzny
Główni autorzy: Muniyappa, Chandrashekar, Kim, Eujin
Format: Preprint
Wydane: 2025
Hasła przedmiotowe:
Neural and Evolutionary Computing
Artificial Intelligence
Machine Learning
68T50
I.2.7; I.2.11
Dostęp online:https://arxiv.org/abs/2502.19437
Etykiety: Dodaj etykietę
Nie ma etykietki, Dołącz pierwszą etykiete!
  • Egzemplarz
  • Opis
  • Spis treści
  • Komentarze
  • Podobne zapisy
  • Wersja MARC

Internet

https://arxiv.org/abs/2502.19437

Podobne zapisy

  • Performance Evaluation of Sentiment Analysis on Text and Emoji Data Using End-to-End, Transfer Learning, Distributed and Explainable AI Models
    od: Velampalli, Sirisha, i wsp.
    Wydane: (2025)
  • Survey of Genetic and Differential Evolutionary Algorithm Approaches to Search Documents Based On Semantic Similarity
    od: Muniyappa, Chandrashekar, i wsp.
    Wydane: (2025)
  • ART: Adaptive Response Tuning Framework -- A Multi-Agent Tournament-Based Approach to LLM Response Optimization
    od: Khan, Omer Jauhar
    Wydane: (2025)
  • Evolutionary Computation and Large Language Models: A Survey of Methods, Synergies, and Applications
    od: Chauhan, Dikshit, i wsp.
    Wydane: (2025)
  • AgentBreeder: Mitigating the AI Safety Risks of Multi-Agent Scaffolds via Self-Improvement
    od: Rosser, J, i wsp.
    Wydane: (2025)

Opcje wyszukiwania

  • Historia wyszukiwania
  • Wyszukiwanie zaawansowane

Dalsze opcje

  • Przeglądaj katalog
  • Przeglądaj alfabetycznie
  • Przeglądaj kanały
  • Aparaty semestralne
  • Nowe nabytki

Pomoc

  • Wskazówka do wyszukiwania
  • Zapytaj bibliotekarza
  • Często zadawane pytania