 | 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.
Clouâtre-Latraverse, L., Parthasarathi, P., Zouaq, A., & Chandar, S. (2022). Detecting Languages Unintelligible to Multilingual Models through Local Structure Probes. Findings of the Association for Computational Linguistics: EMNLP 2022, 5375-5396. Lien externe
Huang, J., Parthasarathi, P., Rezagholizadeh, M., Chen, B., & Anbil Parthipan, S. C. (juillet 2025). Do Robot Snakes Dream like Electric Sheep? Investigating the Effects of Architectural Inductive Biases on Hallucination [Communication écrite]. Findings of the Association for Computational Linguistics: ACL 2025, Vienna, Austria. Lien externe
Huang, J., Parthasarathi, P., Rezagholizadeh, M., & Anbil Parthipan, S. C. (novembre 2024). Context-Aware Assistant Selection for Improved Inference Acceleration with Large Language Models [Communication écrite]. Conference on Empirical Methods in Natural Language Processing, Miami, Florida, USA. Lien externe
Kazemnejad, A., Rezagholizadeh, M., Parthasarathi, P., & Chandar, S. (2023). Measuring the Knowledge Acquisition-Utilization Gap in Pretrained Language Models. Findings of the Association for Computational Linguistics: EMNLP, 4305-4319. Lien externe
McRae, P.-A., Parthasarathi, P., Assran, M., & Anbil Parthipan, S. C. (avril 2022). Memory augmented optimizers for deep learning [Affiche]. 10th International Conference on Learning Representations (ICLR 2022). Lien externe
Prato, G., Huang, J., Parthasarathi, P., Sodhani, S., & Chandar, S. (décembre 2023). EpiK-Eval: Evaluation for Language Models as Epistemic Models [Résumé]. Conference on Empirical Methods in Natural Language Processing, Singapore, Singapore. Lien externe
Parthasarathi, P., Pineau, J., & Chandar, S. (juillet 2021). Do Encoder Representations of Generative Dialogue Models have sufficient summary of the Information about the task ? [Communication écrite]. 22nd Annual Meeting of the Special Interest Group on Discourse and Dialogue, Singapore and Online. Lien externe
Zayed, A., Parthasarathi, P., Torcato Mordido, G. F., Palangi, H., Shabanian, S., & Anbil Parthipan, S. C. (février 2023). Deep Learning on a Healthy Data Diet: Finding Important Examples for Fairness [Communication écrite]. 37th AAAI Conference on Artificial Intelligence (AAAI 2023) and 35th Conference on Innovative Applications of Artificial Intelligence (IAAI 2023) and 13th Symposium on Educational Advances in Artificial Intelligence (EAAI 2023), Washington, DC, USA. Lien externe
