 | 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.
Raynaud, P. (2024). Exploiting the Partially-Separable Structure in Quasi-Newton Methods for Unconstrained Optimization and Deep Learning [Thèse de doctorat, Polytechnique Montréal]. Accès restreint
Rahbarnia, F., & Raynaud, P. (2023). FluxNLPModels.jl and KnetNLPModels.jl : connecting deep learning models with optimization solvers. (Non spécifié). Lien externe
Raynaud, P., Orban, D., & Bigeon, J. (2023). PLSR1 : a limited-memory partioned quasi-Newton optimizer for partially-separable loss functions. (Rapport technique n° G-2023-41). Lien externe
Raynaud, P., & Orban, D. (septembre 2023). Limited-memory stochastic partitioned quasi-newton training [Affiche]. Edge Intelligence Workshop, Montreal, Qc, Canada (1 page). Lien externe
