 | 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.
Edalati, A., Ghaffari, A., Ghazvini Nejad, M., Hou, L., Chen, B., Asgharian, M., & Partovi Nia, V. (février 2025). OAC: Output-adaptive Calibration for Accurate Post-training Quantization [Communication écrite]. 39th Annual AAAI Conference on Artificial Intelligence, Philadelphia, PA, USA. Publié dans Proceedings of the AAAI Conference on Artificial Intelligence, 39(16). Lien externe
Ghaffari, A., Younesian, S., Chen, B., Partovi Nia, V., & Asgharian, M. (février 2025). Rethinking Post-Training Quantization: Introducing a Statistical Pre-Calibration Approach [Communication écrite]. 14th International Conference on Pattern Recognition Applications and Methods (ICPRAM 2025), Porto, Portugal. Lien externe
Jafarzadeh Asl, H., Ghazvini Nejad, M., Edraki, A., Asgharian, M., & Partovi Nia, V. (août 2025). Tiny Noise-Robust Voice Activity Detector for Voice Assistants [Communication écrite]. 35th International Workshop on Machine Learning for Signal Processing (MLSP 2025), Istanbul, Turkiye (6 pages). Lien externe
Ghaffari, A., Asgharian, M., & Savaria, Y. (2024). Statistical hardware design with multi-model active learning. IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, 43(2), 11 pages. Lien externe
Ghaffari, A., Yu, J., Nejad, M., Asgharian, M., Chen, B., & Partovi Nia, V. (février 2024). Mitigating Outlier Activations in Low-Precision Fine-Tuning of Language Models [Communication écrite]. 13th International Conference on Pattern Recognition Applications and Methods (ICPRAM 2024), Rome, Italy. Lien externe
Li, X., Parazeres, M., Oberman, A. M., Ghaffari, A., Asgharian, M., & Nia, V. P. (2023). EuclidNets: An Alternative Operation for Efficient Inference of Deep Learning Models. SN Computer Science, 4(5), -. Lien externe
Cacciola, M., Frangioni, A., Asgharian, M., Ghaffari, A., & Nia, V. P. (février 2023). On the convergence of stochastic gradient descent in low-precision number formats [Communication écrite]. 12th International Conference on Pattern Recognition Applications and Methods (ICPRAM 2023), Lisbon, Portugal. Disponible
Partovi Nia, V., Xin-lin, L. I., Asgharian, M., & Hu, S. (2022). A causal direction test for heterogeneous populations. Machine learning with applications, 7, 100235 (8 pages). Disponible
