Autor der Publikation

Kopieren Löschen Diese Publikation zur Ablage hinzufügen
Community-Eintrag
Versionsverlauf dieses Eintrags
URL
DOI
BibTeX
EndNote
APA
Chicago
DIN 1505
Harvard
MSOffice XML

Metric entropy of convex hulls in type p spaces - the critical case

J. Creutzig, und I. Steinwart. Proceedings of the American Mathematical Society, 130 (3): 733-743 (2002)
DOI: 10.1090/S0002-9939-01-06256-6

Bitte wählen Sie eine Person um die Publikation zuzuordnen

Um zwischen Personen mit demselben Namen zu unterscheiden, wird der akademische Grad und der Titel einer wichtigen Publikation angezeigt. Zudem lassen sich über den Button neben dem Namen einige der Person bereits zugeordnete Publikationen anzeigen.

Univ. -Prof. Dr. Ingo Steinwart University of Stuttgart

I. Steinwart

Ingo Tischler University of Stuttgart

Ingo Dalcolmo University of Stuttgart

PD Dr. Ingo Hartenbach University of Stuttgart

Weitere Publikationen von Autoren mit dem selben Namen

Best-scored Random Forest Classification.H. Hang, X. Liu, und I. Steinwart. CoRR, (2019)A Framework and Benchmark for Deep Batch Active Learning for RegressionD. Holzmüller, V. Zaverkin, J. Kästner, und I. Steinwart. J. Mach. Learn. Res., 24 (164): 1–81 (2023)Which Minimizer Does My Neural Network Converge To?M. Nonnenmacher, D. Reeb, und I. Steinwart. Machine Learning and Knowledge Discovery in Databases : Research Track, Volume 3 von Lecture Notes in Computer Science, Seite 87-102. Berlin, Springer, (2021)Optimal regression rates for SVMs using Gaussian kernelsM. Eberts, und I. Steinwart. Electronic journal of statistics, (2013)Representation of quasi-monotone functionals by families of separating hyperplanesI. Steinwart. Mathematische Nachrichten, 290 (11/12): 1859-1883 (2017)Code for: Fast and Sample-Efficient Interatomic Neural Network Potentials for Molecules and Materials Based on Gaussian MomentsV. Zaverkin, D. Holzmüller, I. Steinwart, und J. Kästner. Software, (2021)Related to: V. Zaverkin, D. Holzmüller, I. Steinwart, and J. Kästner, “Fast and Sample-Efficient Interatomic Neural Network Potentials for Molecules and Materials Based on Gaussian Moments,” J. Chem. Theory Comput. 17, 6658–6670 (2021). doi: 10.1021/acs.jctc.1c00527.liquidSVM : a fast and versatile SVM packageI. Steinwart, und P. Thomann. Preprint, (2017)Fast learning from α-mixing observationsH. Hang, und I. Steinwart. Journal of multivariate analysis, (2014)Oracle inequalities for support vector machines that are based on random entropy numbersI. Steinwart. Journal of complexity, 25 (5): 437-454 (2009)QP algorithms with guaranteed accuracy and run time for support vector machineD. Hush, P. Kelly, C. Scovel, und I. Steinwart. Journal of machine learning research, 7 (May): 733-769 (2006)