A Lagrangian-based approach to learn distance metrics for clustering with minimal data transformation

Rodrigo Randel, Daniel Aloise et Alain Hertz

Communication écrite (2023)

Un lien externe est disponible pour ce document

Département:	Département de génie informatique et génie logiciel Département de mathématiques et de génie industriel
ISBN:	9781611977653
URL de PolyPublie:	https://publications.polymtl.ca/57230/
Nom de la conférence:	SIAM International Conference on Data Mining (SDM 2023)
Lieu de la conférence:	Minneapolis, MN, USA
Date(s) de la conférence:	2023-04-27 - 2023-04-29
Maison d'édition:	Society for Industrial and Applied Mathematics Publications
DOI:	10.1137/1.9781611977653.ch15
URL officielle:	https://doi.org/10.1137/1.9781611977653.ch15
Date du dépôt:	29 janv. 2024 14:38
Dernière modification:	12 août 2026 12:24

Citer en APA 7:	Randel, R., Aloise, D., & Hertz, A. (avril 2023). A Lagrangian-based approach to learn distance metrics for clustering with minimal data transformation [Communication écrite]. SIAM International Conference on Data Mining (SDM 2023), Minneapolis, MN, USA. https://doi.org/10.1137/1.9781611977653.ch15
APA 7 (HTML)ASCII CitationAtomBibTeXDOIsDublin CoreEndNote (.ENW)MARC (ISO 2709/UTF-8) (.MRC)MARC (UTF-8) (.MRK8)MARC XMLMPEG-21 DIDLMultiline CSVOAI-ORE Resource Map (Atom Format)OPENAIREOpenURL ContextObjectOpenURL ContextObject in SpanRDF+N-TriplesRDF+N3RDF+XMLReferReference Manager (.RIS)Simple Metadata

Statistiques

Actions réservées au personnel