PUB - Publikationen an der Universität Bielefeld

Alle markieren

• [13]
  

  2016 | Bielefelder E-Dissertation | PUB-ID: 2902065

  Hofmann D. Learning vector quantization for proximity data. Bielefeld: Universität Bielefeld; 2016.

  PUB | PDF
   
• [12]
  

  2015 | Zeitschriftenaufsatz | Veröffentlicht | PUB-ID: 2695196

  Hofmann D, Gisbrecht A, Hammer B. Efficient approximations of robust soft learning vector quantization for non-vectorial data. Neurocomputing. 2015;147:96-106.

  PUB | DOI | WoS
   
• [11]
  

  2014 | Konferenzbeitrag | Veröffentlicht | PUB-ID: 2900320

  Frenay B, Hofmann D, Schulz A, Biehl M, Hammer B. Valid interpretation of feature relevance for linear data mappings. In: 2014 IEEE Symposium on Computational Intelligence and Data Mining (CIDM). Piscataway, NJ: Institute of Electrical & Electronics Engineers (IEEE); 2014: 149-156.

  PUB | PDF | DOI
   
• [10]
  

  2014 | Zeitschriftenaufsatz | Veröffentlicht | PUB-ID: 2678214

  Hofmann D, Schleif F-M, Paaßen B, Hammer B. Learning interpretable kernelized prototype-based models. Neurocomputing. 2014;141:84-96.

  PUB | DOI | Download (ext.) | WoS
   
• [9]
  

  2014 | Zeitschriftenaufsatz | Veröffentlicht | PUB-ID: 2615730

  Hammer B, Hofmann D, Schleif F-M, Zhu X. Learning vector quantization for (dis-)similarities. NeuroComputing. 2014;131:43-51.

  PUB | DOI | WoS
   
• [8]
  

  2013 | Sammelwerksbeitrag | Veröffentlicht | PUB-ID: 2982102

  Hofmann D, Gisbrecht A, Hammer B. Efficient Approximations of Kernel Robust Soft LVQ. In: Estévez PA, Príncipe JC, Zegers P, eds. Advances in Self-Organizing Maps. Advances in Intelligent Systems and Computing. Berlin, Heidelberg: Springer Berlin Heidelberg; 2013: 183-192.

  PUB | DOI
   
• [7]
  

  2013 | Konferenzbeitrag | Veröffentlicht | PUB-ID: 2625199

  Hofmann D, Hammer B. Sparse approximations for kernel learning vector quantization. In: ESANN. 2013.

  PUB
   
• [6]
  

  2012 | Sammelwerksbeitrag | Veröffentlicht | PUB-ID: 2982106

  Gisbrecht A, Hofmann D, Hammer B. Discriminative Dimensionality Reduction Mappings. In: Hollmén J, Klawonn F, Tucker A, eds. Advances in Intelligent Data Analysis XI. Lecture Notes in Computer Science. Berlin, Heidelberg: Springer Berlin Heidelberg; 2012: 126-138.

  PUB | DOI
   
• [5]
  

  2012 | Sammelwerksbeitrag | Veröffentlicht | PUB-ID: 2982107

  Hofmann D, Hammer B. Kernel Robust Soft Learning Vector Quantization. In: Mana N, Schwenker F, Trentin E, eds. Artificial Neural Networks in Pattern Recognition. Lecture Notes in Computer Science. Berlin, Heidelberg: Springer Berlin Heidelberg; 2012: 14-23.

  PUB | DOI
   
• [4]
  

  2012 | Konferenzbeitrag | Veröffentlicht | PUB-ID: 2671172

  Hofmann D, Gisbrecht A, Hammer B. Discriminative probabilistic prototype based models in kernel space. In: Workshop NC^2 2012. TR Machine Learning Reports; 2012.

  PUB
   
• [3]
  

  2012 | Konferenzbeitrag | Veröffentlicht | PUB-ID: 2625238

  Hofmann D, Gisbrecht A, Hammer B. Efficient Approximations of Kernel Robust Soft LVQ. In: WSOM. 2012.

  PUB
   
• [2]
  

  2012 | Konferenzbeitrag | Veröffentlicht | PUB-ID: 2625247

  Gisbrecht A, Hofmann D, Hammer B. Discriminative Dimensionality Reduction Mappings. In: Hollmén J, Klawonn F, Tucker A, eds. Advances in Intelligent Data Analysis XI - 11th International Symposium, IDA 2012, Helsinki, Finland, October 25-27, 2012. Proceedings. Lecture Notes in Computer Science. Vol 7619. Springer; 2012: 126-138.

  PUB
   
• [1]
  

  2012 | Konferenzbeitrag | Veröffentlicht | PUB-ID: 2625254

  Hofmann D, Hammer B. Kernel Robust Soft Learning Vector Quantization. In: Mana N, Schwenker F, Trentin E, eds. Artificial Neural Networks in Pattern Recognition - 5th INNS IAPR TC 3 GIRPR Workshop, ANNPR 2012, Trento, Italy, September 17-19, 2012. Proceedings. Lecture Notes in Computer Science. Vol 7477. Springer; 2012: 14-23.

  PUB