Documents dont l'auteur est "Li, Xinlin"
Monter d'un niveau
Aide
Ce graphique trace les liens entre tous les collaborateurs des publications de {} figurant sur cette page.
Chaque lien représente une collaboration sur la même publication. L'épaisseur du lien représente le nombre de collaborations.
Utilisez la molette de la souris ou les gestes de défilement pour zoomer à l'intérieur du graphique.
Vous pouvez cliquer sur les noeuds et les liens pour les mettre en surbrillance et déplacer les noeuds en les glissant.
Enfoncez la touche "Ctrl" ou la touche "⌘" en cliquant sur les noeuds pour ouvrir la liste des publications de cette personne.
Aide
Un nuage de mots est une représentation visuelle des mots les plus fréquemment utilisés dans un texte ou un ensemble de textes. Les mots apparaissent dans différentes tailles, la taille de chaque mot étant proportionnelle à sa fréquence d'apparition dans le texte. Plus un mot est utilisé fréquemment, plus il apparaît en grand dans le nuage de mots. Cette technique permet de visualiser rapidement les thèmes et les concepts les plus importants d'un texte.
Dans le contexte de cette page, le nuage de mots a été généré à partir des publications de l'auteur {}. Les mots présents dans ce nuage proviennent des titres, résumés et mots-clés des articles et travaux de recherche de cet auteur. En analysant ce nuage de mots, vous pouvez obtenir un aperçu des sujets et des domaines de recherche les plus récurrents et significatifs dans les travaux de cet auteur.Le nuage de mots est un outil utile pour identifier les tendances et les thèmes principaux dans un corpus de textes, facilitant ainsi la compréhension et l'analyse des contenus de manière visuelle et intuitive.
C
Cacciola, M., Frangioni, A., Li, X.L., & Lodi, A. (2023). Deep neural networks pruning via the structured perspective regularization. SIAM Journal on Mathematics of Data Science, 5(4), 1051-1077. Lien externe
L
Li, X., Parazeres, M., Oberman, A. M., Ghaffari, A., Asgharian, M., & Partovi Nia, V. (2023). EuclidNets: An Alternative Operation for Efficient Inference of Deep Learning Models. SN Computer Science, 4(5). Lien externe
Lu, Y., Yu, Y., Li, X., & Partovi Nia, V. (décembre 2023). Understanding Neural Network Binarization with Forward and Backward Proximal Quantizers [Communication écrite]. 37th Conference on Neural Information Processing Systems (NeurIPS 2023), New Orleans, LA, USA (19 pages). Lien externe
Li, X., Liu, B., Yang, R. H., Courville, V., Xing, C., & Partovi Nia, V. (octobre 2023). DenseShift : Towards Accurate and Efficient Low-Bit Power-of-Two Quantization [Communication écrite]. International Conference on Computer Vision (ICCV 2023), Paris, France. Lien externe
Li, X. (2016). Méthodologie d'optimisation des profils de vitesse à l'entrée des aspirateurs de turbines hydrauliques [Mémoire de maîtrise, École Polytechnique de Montréal]. Disponible
M
Murua, A., Kinattinkara Ramakrishnan, R., Li, X., Heng Yang, R., & Partovi Nia, V. (2025). Tensor Train Recurrent Network Language Model Prediction. Stat, 14(4). Lien externe
P
Prazeres, M., Li, X., Oberman, A., & Partovi Nia, V. (février 2022). EuclidNets: Combining Hardware and Architecture Design for Efficient Training and Inference [Communication écrite]. 11th International Conference on Pattern Recognition Applications and Methods (ICPRAM 2022). Lien externe