 | 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.
Ashok, A., Williams, A. R., Marcotte, É., Zantedeschi, V., Subramanian, J., Riachi, R., Requeima, J., Lacoste, A., Rish, I., Chapados, N., & Drouin, A. (décembre 2024). Context is Key: A Benchmark for Forecasting with Essential Textual Information [Communication écrite]. NeurIPS 2024 Workshop on Time Series in the Age of Large Models, Vancouver, BC, Canada (56 pages). Lien externe
Monteiro, J., Marcotte, É., Noël, P.-A., Zantedeschi, V., Vázquez, D., Chapados, N., Pal, C. J., & Taslakian, P. (novembre 2024). XC-Cache: Cross-Attending to Cached Context for Efficient LLM Inference [Communication écrite]. Findings of the Association for Computational Linguistics (ACL 2024), Miami, FL, USA. Lien externe
Sahu, G., Puri, A., Rodriguez, J. A., Abaskohi, A., Chegini, M., Drouin, A., Taslakian, P., Zantedeschi, V., Lacoste, A., Vazquez, D., Chapados, N., Pal, C. J., Rajeswar, S., & Laradji, I. (avril 2025). InsightBench: Evaluating Business Analytics Agents Through Multi-Step Insight Generation [Communication écrite]. 13th International Conference on Learning Representations (ICLR 2025), Singapore, Singapore. Lien externe
Williams, A. R., Ashok, A., Marcotte, É., Zantedeschi, V., Subramanian, J., Riachi, R., Requeima, J., Lacoste, A., Rish, I., Chapados, N., & Drouin, A. (février 2025). Context is Key: A Benchmark for Forecasting with Essential Textual Information [Communication écrite]. 42nd International Conference on Machine Learning (PMLR 2025), Vancouver, BC, Canada. Lien externe
Zantedeschi, V., Kaddour, J., Franceschi, L., Kusner, M. J., & Niculae, V. (avril 2022). DAG Learning on the Permutahedron [Affiche]. 10th International Conference on Learning Representations (ICLR 2023) (9 pages). Lien externe
Zantedeschi, V., Kusner, M. J., & Niculae, V. (juillet 2021). Learning Binary Decision Trees by Argmin Differentiation [Communication écrite]. Non spécifié. Lien externe
