 | Monter d'un niveau |
Réseau de collaborationCe 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.
Nuage de motsUn 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.
Adler, A., & Tang, J. (juillet 2026). Efficient mismatch-tolerant coding for model-driven compression [Affiche]. 43rd International Conference on Machine Learning (ICML 2026), Seoul, South Korea. Lien externe
Adler, A., & Tang, J. (avril 2026). Synchronizing probabilities in model-driven lossless compression [Affiche]. Fourteenth International Conference on Learning Representations (ICLR 2026), Rio de Janeiro, Brazil (18 pages). Lien externe
Tang, J., Adler, A., Ajorlou, A., & Jadbabaie, A. (2025). Stochastic opinion dynamics under social pressure in arbitrary networks. IEEE Transactions on Automatic Control, 70(10), 6937-6944. Lien externe
Tang, J., Adler, A., Ajorlou, A., & Jadbabaie, A. (2024). Estimating true beliefs in opinion dynamics with social pressure. IEEE Transactions on Automatic Control, 70(5), 3072-3087. Lien externe
Tang, J., Adler, A., Ajorlou, A., & Jadbabaie, A. (juillet 2024). Estimating true beliefs from declared opinions [Communication écrite]. 2024 American Control Conference (ACC 2024), Toronto, ON, Canada. Lien externe
Adler, A., Tang, J., & Polyanskiy, Y. (2022). Efficient representation of large-alphabet probability distributions. IEEE Journal on Selected Areas in Information Theory, 3(4), 651-663. Lien externe
Adler, A., Tang, J., & Polyanskiy, Y. (juin 2022). Efficient Representation of Large-Alphabet Probability Distributions via Arcsinh-Compander [Communication écrite]. IEEE International Symposium on Information Theory (ISIT 2022), Espoo, Finland. Lien externe
Adler, A., Tang, J., & Polyanskiy, Y. (juillet 2021). Quantization of random distributions under KL divergence [Communication écrite]. 2021 IEEE International Symposium on Information Theory (ISIT 2021), Melbourne, Australia. Lien externe
