CoRe: Learning compact representation with prior-guided initialization
1Citations signalées, ce qui n’est pas une note de qualité
6Institutions déclarées
1Pays d’affiliation déclarés
Rattachement africain : cn. Niveau de preuve : code pays fourni par la source.
Résumé indisponible. Les résultats de l’étude ne doivent pas être déduits de son seul titre.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- CoRe: Learning compact representation with prior-guided initialization
- Date Crossref
- 01/07/2026
- Éditeur
- Elsevier BV
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
Henan University pays non établi dans la noticeUniversité ou école supérieure
-
Chinese Academy of Sciences Academy of Mathematics and Systems Science pays non établi dans la noticeOrganisme public
-
Wuhan University pays non établi dans la noticeUniversité ou école supérieure
-
Academy of Mathematics and Systems Science pays non établi dans la noticeStructure de recherche
-
Xi'an Jiaotong University pays non établi dans la noticeUniversité ou école supérieure
-
Southern University of Science and Technology Statistics and Data Science Department pays non établi dans la noticeUniversité ou école supérieure
-
School of Mathematics and Statistics Henan Engineering Research Center for Artificial Intelligence Theory and Algorithms pays non établi dans la noticeUniversité ou école supérieure
-
School of Computer Science pays non établi dans la noticeUniversité ou école supérieure
Henan University, Academy of Mathematics and Systems Science — Chinese Academy of Sciences et Wuhan University, avec 5 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.
Les sujets associés
Advanced Neural Network ApplicationsGenerative Adversarial Networks and Image SynthesisDomain Adaptation and Few-Shot Learning