阿努拉·戈斯瓦米
人员信息
优化列表
![笔记](https://dblp.uni-trier.de/img/note-mark.dark.12x12.png)
2020年–今天
2024 [公元14年] Shubhangi Suryawanshi公司 , 阿努拉·戈斯瓦米 , 普拉莫德·帕蒂尔 :
FakeIDCA:基于概念漂移自适应的增量深度学习假新闻检测。 Multim公司。 工具应用程序。 83 ( 10 ) : 28579-28594 ( 2024 ) 2023 [j13] 特贾拉尔·乔杜里 , Shubham Gujar公司 , 阿努拉·戈斯瓦米 , Vipul Mishra公司 , 塔帕斯·巴达尔 :
基于深度学习的新冠肺炎CT扫描分类的仅重转移学习方法。 申请。 智力。 53 ( 6 ) : 7201-7215 ( 2023 ) [公元12年] Shubhangi Suryawanshi公司 , 阿努拉·戈斯瓦米 , 普拉莫德·帕蒂尔 , 维普尔·库马尔·米什拉 :
基于自适应窗的递归神经网络用于非平稳环境中的漂移自适应。 J.环境智能。 Humaniz公司。 计算。 14 ( 10 ) : 14125-14139 ( 2023 ) [第10条] 罗希特·库马尔·卡利亚尔 , 阿努拉·戈斯瓦米 , 乌贾利·夏尔马 , 卡尼卡·卡诺西亚 , 莫希特·阿格拉瓦尔 :
HSDH:使用有效的深度神经网络检测社交媒体上的仇恨言论,用于代码混合的Hinglish数据。 ICCCNT公司 2023 : 1-6 2022 [公元11年] 特贾拉尔·乔达里 , 维普尔·库马尔·米什拉 , 阿努拉·戈斯瓦米 , 贾加纳森·萨兰加帕尼 :
推理感知卷积神经网络剪枝。 未来一代。 计算。 系统。 135 : 44-56 ( 2022 ) [j10] 维迪特·贾恩 , 罗希特·库马尔·卡利亚尔 , 阿努拉·戈斯瓦米 , 普拉蒂克·纳朗 , 亚什瓦德汉·夏尔马 :
AENeT:一种利用上下文特征进行虚假新闻检测的注意力增强型神经架构。 神经计算。 申请。 34 ( 1 ) : 771-782 ( 2022 ) [公元9年] 特贾拉尔·乔达里 , 维普尔·库马尔·米什拉 , 阿努拉·戈斯瓦米 , 贾加纳森·萨兰加帕尼 :
基于启发式的深度神经网络自动修剪。 神经计算。 申请。 34 ( 6 ) : 4889-4903 ( 2022 ) [i1] 普基特·维亚斯 , Chirag Saxena公司 , 安韦什·巴达潘达 , 阿努拉·戈斯瓦米 :
室外单目深度估计:研究综述。 CoRR公司 abs/2205.01399 ( 2022 ) 2021 [j8] 维普尔·库马尔·米什拉 , Mayank Dixit公司 , 特贾拉尔·乔达里 , 阿努拉·戈斯瓦米 , 曼吉特·考尔 , 奥马尔·谢克罗胡 , 哈比卜·哈马 :
针对后CMOS新兴技术的启发式驱动且具有成本效益的多数/少数逻辑综合。 IEEE接入 9 : 168689-168702个 ( 2021 ) [j7] 特贾拉尔·乔达里 , 维普尔·库马尔·米什拉 , 阿努拉·戈斯瓦米 , 贾加纳森·萨兰加帕尼 :
一种基于结构化滤波器剪枝的转移学习方法,用于改进定点设备上的乳腺癌分类。 计算。 生物医药 134 : 104432 ( 2021 ) [j6] 罗希特·库马尔·卡利亚尔 , 阿努拉·戈斯瓦米 , 普拉蒂克·纳朗 :
FakeBERT:使用基于BERT的深度学习方法在社交媒体中检测虚假新闻。 Multim公司。 工具应用程序。 80 ( 8 ) : 11765-11788 ( 2021 ) [j5] 罗希特·库马尔·卡利亚尔 , 阿努拉·戈斯瓦米 , 普拉蒂克·纳朗 :
EchoFakeD:利用高效的深层神经网络改进社交媒体中的虚假新闻检测。 神经计算。 申请。 33 ( 14 ) : 8597-8613年 ( 2021 ) 【j4】 罗希特·库马尔·卡利亚尔 , 阿努拉·戈斯瓦米 , 普拉蒂克·纳朗 :
DeepFakE:使用基于张量分解的深度神经网络改进虚假新闻检测。 J.超级计算机。 77 ( 2 ) : 1015-1037 ( 2021 ) 【c9】 罗希特·库马尔·卡利亚尔 , 阿努拉·戈斯瓦米 , 普拉蒂克·纳朗 :
MCNNet:使用新的COVID-19数据集,使用多通道卷积神经网络进行虚假新闻检测。 COMAD/密码 2021 : 437 【c8】 罗希特·库马尔·卡利亚尔 , 阿努拉·戈斯瓦米 , 普拉蒂克·纳朗 :
使用新的COVID-19数据集进行有效假新闻检测的混合模型。 ICAART(2) 2021 : 1066-1072 2020 [j3] 特贾拉尔·乔杜里 , 维普尔·库马尔·米什拉 , 阿努拉·戈斯瓦米 , Jagannathan Sarangapani公司 :
模型压缩和加速的综合调查。 工件。 智力。 版次。 53 ( 7 ) : 5113-5155 ( 2020 ) [注2] 罗希特·库马尔·卡利亚尔 , 阿努拉·戈斯瓦米 , 普拉蒂克·纳朗 , 苏门杜·辛哈 :
FNDNet-一种用于虚假新闻检测的深度卷积神经网络。 认知。 系统。 物件。 61 : 32-44 ( 2020 )
2010 – 2019
2018 【c7】 曼恩德·辛格 , 瓦比哈夫·安努 , 古尔西姆兰·瓦利亚 , 阿努拉·戈斯瓦米 :
通过引入故障类型级别粒度验证需求评审:一种机器学习方法。 ISEC公司 2018 : 10:1-10:11 【c6】 曼恩德·辛格 , 古尔西姆兰·辛格·瓦利亚 , 阿努拉·戈斯瓦米 :
利用监督学习指导行业软件检查员的选择。 ISSRE研讨会 2018 : 12-17 2016 【c5】 阿努拉·戈斯瓦米 , 古尔西姆兰·瓦利亚 , 马克·麦考特 , Ganesh Padmanabhan公司 :
使用眼动跟踪调查软件需求检查员的阅读模式和学习风格,以提高检查团队的结果。 环境与社会管理局 2016 : 34:1-34:10 【c4】 阿努拉·戈斯瓦米 , 古尔西姆兰·瓦利亚 , 乌尔瓦西·拉特霍德 :
使用学习风格配置人员并提高软件检查团队的绩效。 ISSRE研讨会 2016 : 9-12 2015 [j1] 阿努拉·戈斯瓦米 , 古尔西姆兰·辛格·瓦利亚 , 阿比纳夫·辛格 :
使用软件专业人员的学习风格来提高他们的检查团队绩效。 国际期刊软件。 工程知识。 工程师。 25 ( 9-10 ) : 1721-1726 ( 2015 ) 【c3】 阿努拉·戈斯瓦米 , 古尔西姆兰·瓦利亚 , 阿比纳夫·辛格 :
使用软件专业人员的学习风格来提高他们的检查团队绩效。 瑞典克朗 2015 : 680-685 2014 【c2】 阿努拉·戈斯瓦米 , 古尔西姆兰·瓦利亚 :
提高软件检查团队的成本效益:一项实证调查。 瑞典克朗 2014 : 735-739 2013 【c1】 阿努拉·戈斯瓦米 , Gursimran S.瓦利亚 :
学习风格对软件需求检查中发现的错误的影响的实证研究。 ISSRE公司 2013 : 330-339
合著者索引
![](https://dblp.uni-trier.de/img/cog.dark.24x24.png)