Hinweise zu Qualitätskriterien von Zeitschriften
Open-Access-Richtlinie der Helmholtz-Gemeinschaft 2016
CC Licencences
Metriken für Publikationen
Startseite
Login
English
Neuer EVA Antrag
Erweiterte Suche
Durchblättern nach ...
Publikationen im Überblick
HGF Fortschrittsbericht
OA Publikationen
Neue Publikation eintragen
Neue Publikation holen aus...
Fehlende Publikation melden
Ansprechpartner
Hilfe
Bibliometrische Indikatoren
Text
Endnote (RIS)
BibTeX
Verlagsversion
 |
Open Access Hybrid |
|
möglich sobald bei der ZB eingereicht worden ist.
Bayesian computation meets topology.
Trans. Machine Learn. Res. 2024, accepted (2024)
Computational topology recently started to emerge as a novel paradigm for characterising the ‘shape’ of high-dimensional data, leading to powerful algorithms in (un)supervised representation learning. While capable of capturing prominent features at multiple scales, topological methods cannot readily be used for Bayesian inference. We develop a novel approach that bridges this gap, making it possible to perform parameter estimation in a Bayesian framework, using topology-based loss functions. Our method affords easy integration into topological machine learning algorithms. We demonstrate its efficacy for parameter estimation in different simulation settings.
Impact Factor
Scopus SNIP
0.000
0.000
Anmerkungen
Besondere Publikation
Auf Hompepage verbergern
Publikationstyp
Artikel: Journalartikel
Dokumenttyp
Wissenschaftlicher Artikel
Sprache
englisch
Veröffentlichungsjahr
2024
HGF-Berichtsjahr
2025
ISSN (print) / ISBN
2835-8856
e-ISSN
2835-8856
Zeitschrift
Transactions on Machine Learning Research
Quellenangaben
Band: 2024
Verlag
Journal of Machine Learning Research Inc.
Begutachtungsstatus
Peer reviewed
Institut(e)
Human-Centered AI (HCA)
POF Topic(s)
30205 - Bioengineering and Digital Health
Forschungsfeld(er)
Enabling and Novel Technologies
PSP-Element(e)
G-540003-001
Scopus ID
85219556130
Erfassungsdatum
2025-05-10