 | 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.
Gasse, M., & Lodi, A. (2022). Machine Learning for Combinatorial Optimization. Dans Pardalos, P. M., & Prokopyev, O. A. (édit.), Encyclopedia of Optimization (p. 1-13). Lien externe
Gupta, P., Gasse, M., Khalil, E. B., Kumar, M. P., Lodi, A., & Bengio, Y. (décembre 2020). Hybrid models for learning to branch [Communication écrite]. 34th Conference on neural Information Processing Systems (NeurIPS 2020), Vancouver, Canada (11 pages). Lien externe
Gupta, P., Gasse, M., Khalil, E. B., Kumar, M. P., Lodi, A., & Bengio, Y. (décembre 2020). Supplement: Hybrid models for learning to branch [Communication écrite]. 34th Conference on neural Information Processing Systems (NeurIPS 2020), Vancouver, Canada (8 pages). Lien externe
Gasse, M., Chetelat, D., Ferroni, N., Charlin, L., & Lodi, A. (décembre 2019). Exact Combinatorial Optimization with Graph Convolutional Neural Networks [Communication écrite]. 33rd Conference on Neural Information Processing Systems (NeurIPS 2019), Vancouver, B.-C. (13 pages). Lien externe
Müller, B., Muñoz, G., Gasse, M., Gleixner, A., Lodi, A., & Serrano, F. (2022). On generalized surrogate duality in mixed-integer nonlinear programming. Mathematical Programming, 2021(1-2), 1-30. Disponible
Milecki, L., Porée, J., Belgharbi, H., Bourquin, C., Damseh, R., Delafontaine-Martel, P., Lesage, F., Gasse, M., & Provost, J. (2021). A deep learning framework for spatiotemporal ultrasound localization microscopy. IEEE Transactions on Medical Imaging, 40(5), 1428-1437. Lien externe
Müller, B., Muñoz, G., Gasse, M., Gleixner, A., Lodi, A., & Serrano, F. (juin 2020). On Generalized Surrogate Duality in Mixed-Integer Nonlinear Programming [Communication écrite]. 21st International Conference on Integer Programming and Combinatorial Optimization (IPCO 2020), London, United Kingdom. Lien externe
Rastgar Amini, F., Contardo, C., Desaulniers, G., & Gasse, M. (2025). Learning to enumerate shifts for large-scale flexible personnel scheduling problems. Journal of Scheduling, 19 pages. Lien externe
Rauby, B., Xing, P., Porée, J., Gasse, M., & Provost, J. (2025). Pruning Sparse Tensor Neural Networks Enables Deep Learning for 3D Ultrasound Localization Microscopy. IEEE Transactions on Image Processing, 34, 2367-2378. Lien externe
Rauby, B., Xing, P., Gasse, M., & Provost, J. (2024). Deep learning in ultrasound localization microscopy : applications and perspectives. IEEE Transactions on Ultrasonics, Ferroelectrics and Frequency Control, 3462299 (23 pages). Disponible
Rastgar Amini, F., Contardo, C., Desaulniers, G., & Gasse, M. (2022). Learning to enumerate shifts for large-scale flexible personnel scheduling problems. (Rapport technique n° G-2022-29). Lien externe
Scavuzzo, L., Chetelat, D., Lodi, A., Chen, F. Y., Gasse, M., Yorke-Smith, N., & Aardal, K. (novembre 2022). Learning to Branch with Tree MDPs [Affiche]. 36th Conference on Neural Information Processing Systems (NeurIPS 2022), New Orleans, LA, USA. Lien externe
Scavuzzo, L., Chetelat, D., Lodi, A., Chen, F. Y., Gasse, M., Yorke-Smith, N., & Aardal, K. (novembre 2022). Learning to Branch with Tree MDPs [Présentation]. Dans 36th Conference on Neural Information Processing Systems (NeurIPS 2022), New Orleans, LA, USA. Lien externe
