 | 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
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
Elbediwy, M., Pontikakis, B., Ghaffari, A., David, J. P., & Savaria, Y. (2024). DR-PIFO: a dynamic ranking packet scheduler using a push-in-first-out queue. IEEE Transactions on Network and Service Management, 21(1), 355-371. 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., & Partovi Nia, V. (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., & Partovi Nia, V. (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
Tayaranian Hosseini, M., Ghaffari, A., Tahaei, M. S., Rezagholizadeh, M., Asgharian, M., & Partovi Nia, V. (mai 2023). Towards Fine-tuning Pre-trained Language Models with Integer Forward and Backward Propagation [Communication écrite]. Findings of the Association for Computational Linguistics (EACL 2023), Dubrovnik, Croatia. Lien externe
Ghaffari, A., & Savaria, Y. (2021). Efficient Design Space Exploration of OpenCL Kernels for FPGA Targets Using Black Box Optimization. IEEE Access, 9, 136819-136830. Lien externe
Ghaffari, A., & Savaria, Y. (2020). CNN2Gate: an implementation of convolutional neural networks inference on FPGAs with automated design space exploration. Electronics, 9(12), 23 pages. Disponible
Ghaffari, A., Leonardon, M., Cassagne, A., Leroux, C., & Savaria, Y. (2019). Toward high-performance implementation of 5G SCMA algorithms. IEEE Access, 7, 10402-10414. Lien externe
Ghaffari, A., Léonardon, M., Savaria, Y., Jégo, C., & Leroux, C. (juin 2017). Improving performance of SCMA MPA decoders using estimation of conditional probabilities [Communication écrite]. 15th IEEE International New Circuits and Systems Conference (NEWCAS 2017), Strasbourg, France. Lien externe
