:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ding, Jiaqi, Dan, Tingting, Wei, Ziquan, Cho, Hyuna, Laurienti, Paul J., Kim, Won Hwa, Wu, Guorong
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning
Online-Zugang:	https://arxiv.org/abs/2409.11377
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

NeuroPath: A Neural Pathway Transformer for Joining the Dots of Human Connectomes
von: Wei, Ziquan, et al.
Veröffentlicht: (2024)

Explore Brain-Inspired Machine Intelligence for Connecting Dots on Graphs Through Holographic Blueprint of Oscillatory Synchronization
von: Dan, Tingting, et al.
Veröffentlicht: (2026)

Large Connectome Model: An fMRI Foundation Model of Brain Connectomes Empowered by Brain-Environment Interaction in Multitask Learning Landscape
von: Wei, Ziquan, et al.
Veröffentlicht: (2025)

Message Detouring: A Simple Yet Effective Cycle Representation for Expressive Graph Learning
von: Wei, Ziquan, et al.
Veröffentlicht: (2024)

GeoDynamics: A Geometric State-Space Neural Network for Understanding Brain Dynamics on Riemannian Manifolds
von: Dan, Tingting, et al.
Veröffentlicht: (2026)

Exploring the Enigma of Neural Dynamics Through A Scattering-Transform Mixer Landscape for Riemannian Manifold
von: Dan, Tingting, et al.
Veröffentlicht: (2024)

Understanding Mechanistic Role of Structural and Functional Connectivity in Tau Propagation Through Multi-Layer Modeling
von: Dan, Tingting, et al.
Veröffentlicht: (2025)

The Pitfalls and Promise of Conformal Inference Under Adversarial Attacks
von: Liu, Ziquan, et al.
Veröffentlicht: (2024)

OCL: Ordinal Contrastive Learning for Imputating Features with Progressive Labels
von: Baek, Seunghun, et al.
Veröffentlicht: (2025)

Learning Multi-resolution Graph Edge Embedding for Discovering Brain Network Dysfunction in Neurological Disorders
von: Ma, Xin, et al.
Veröffentlicht: (2019)

Learning to Approximate Adaptive Kernel Convolution on Graphs
von: Sim, Jaeyoon, et al.
Veröffentlicht: (2024)

Learning Covariance-Based Multi-Scale Representation of Neuroimaging Measures for Alzheimer Classification
von: Baek, Seunghun, et al.
Veröffentlicht: (2025)

Marrying Generative Model of Healthcare Events with Digital Twin of Social Determinants of Health for Disease Reasoning
von: Wei, Ziquan, et al.
Veröffentlicht: (2026)

From Cortical Synchronous Rhythm to Brain Inspired Learning Mechanism: An Oscillatory Spiking Neural Network with Time-Delayed Coordination
von: Dan, Tingting, et al.
Veröffentlicht: (2026)

Response to Promises and Pitfalls of Deep Kernel Learning
von: Wilson, Andrew Gordon, et al.
Veröffentlicht: (2025)

Double Machine Learning meets Panel Data -- Promises, Pitfalls, and Potential Solutions
von: Fuhr, Jonathan, et al.
Veröffentlicht: (2024)

Modality-Agnostic Style Transfer for Holistic Feature Imputation
von: Baek, Seunghun, et al.
Veröffentlicht: (2025)

Promises and Pitfalls of Threshold-based Auto-labeling
von: Vishwakarma, Harit, et al.
Veröffentlicht: (2022)

Evaluating the Promise and Pitfalls of LLMs in Hiring Decisions
von: Anzenberg, Eitan, et al.
Veröffentlicht: (2025)

D-GATNet: Interpretable Temporal Graph Attention Learning for ADHD Identification Using Dynamic Functional Connectivity
von: Ain, Qurat Ul, et al.
Veröffentlicht: (2026)

Promises and Pitfalls of Generative Masked Language Modeling: Theoretical Framework and Practical Guidelines
von: Li, Yuchen, et al.
Veröffentlicht: (2024)

Decoupled Marked Temporal Point Process using Neural Ordinary Differential Equations
von: Song, Yujee, et al.
Veröffentlicht: (2024)

Evaluating Supervised Machine Learning Models: Principles, Pitfalls, and Metric Selection
von: Liu, Xuanyan, et al.
Veröffentlicht: (2026)

Predicting and Understanding College Student Mental Health with Interpretable Machine Learning
von: Chowdhury, Meghna Roy, et al.
Veröffentlicht: (2025)

Probabilistic Consistency in Machine Learning and Its Connection to Uncertainty Quantification
von: Patrone, Paul, et al.
Veröffentlicht: (2025)

Convex Distance Operator Transport: A Convex and Geometry-Preserving Formulation
von: Chung, Junhyoung, et al.
Veröffentlicht: (2026)

DynaGraph: Interpretable Multi-Label Prediction from EHRs via Dynamic Graph Learning and Contrastive Augmentation
von: Mesinovic, Munib, et al.
Veröffentlicht: (2025)

PROSAC: Provably Safe Certification for Machine Learning Models under Adversarial Attacks
von: Feng, Chen, et al.
Veröffentlicht: (2024)

Machine Learning: a Lecture Note
von: Cho, Kyunghyun
Veröffentlicht: (2025)

Higher-order Neural Additive Models: An Interpretable Machine Learning Model with Feature Interactions
von: Kim, Minkyu, et al.
Veröffentlicht: (2022)

De-Individualizing fMRI Signals via Mahalanobis Whitening and Bures Geometry
von: Jacobson, Aaron, et al.
Veröffentlicht: (2025)

A Framework for Interpretability in Machine Learning for Medical Imaging
von: Wang, Alan Q., et al.
Veröffentlicht: (2023)

Most Influential Subset Selection: Challenges, Promises, and Beyond
von: Hu, Yuzheng, et al.
Veröffentlicht: (2024)

Joint-Embedding Masked Autoencoder for Self-supervised Learning of Dynamic Functional Connectivity from the Human Brain
von: Choi, Jungwon, et al.
Veröffentlicht: (2024)

MNM : Multi-level Neuroimaging Meta-analysis with Hyperbolic Brain-Text Representations
von: Baek, Seunghun, et al.
Veröffentlicht: (2025)

FedTDP: A Privacy-Preserving and Unified Framework for Trajectory Data Preparation via Federated Learning
von: Zeng, Zhihao, et al.
Veröffentlicht: (2025)

Dynamic Activation Pitfalls in LLaMA Models: An Empirical Study
von: Ma, Chi, et al.
Veröffentlicht: (2024)

$t^3$-Variational Autoencoder: Learning Heavy-tailed Data with Student's t and Power Divergence
von: Kim, Juno, et al.
Veröffentlicht: (2023)

A Brief Introduction to Causal Inference in Machine Learning
von: Cho, Kyunghyun
Veröffentlicht: (2024)

A Comparative Study of Machine Learning Algorithms for Electricity Price Forecasting with LIME-Based Interpretability
von: Zhao, Xuanyi, et al.
Veröffentlicht: (2025)