洛科·朗根
人员信息
优化列表
2020年–今天
2023 [i4] 米哈伊·诺瓦克 , 洛科·朗根 , 卡洛斯·阿尔扎特 , 约翰·苏肯斯 :
针对大规模数据聚类问题的加速稀疏核谱聚类。 CoRR公司 abs/2310.13381 ( 2023 ) 2020 [公元12年] 洛科·朗根 , 阿尔弗雷多·库佐克雷亚 , 尼古拉斯·斯坎佐斯 :
可解释的异常预测:通过规范化逻辑回归工具预测工业4.0环境中的异常行为。 数据知识。 工程师。 130 : 101850 ( 2020 ) [公元22年] 洛科·朗根 , 阿尔弗雷多·库佐克雷亚 , 尼古拉斯·斯坎佐斯 :
预测工业4.0环境中异常行为的灵活且可解释的框架。 美国国家航空航天局 2020 : 693-702
2010 – 2019
2018 [公元11年] 林恩·霍瑟斯 , 洛科·朗根 , 约翰·苏肯斯 :
多视图最小二乘支持向量机分类。 神经计算 282 : 78-88 ( 2018 ) [公元10年] 林恩·霍瑟斯 , 洛科·朗根 , 约翰·苏肯斯 :
多视图核谱聚类。 信息融合 44 : 46-56 ( 2018 ) 2017 [公元9年] 洛科·朗根 , 约翰·苏肯斯 :
快速核谱聚类。 神经计算 268 : 27-33 ( 2017 ) [j8] 洛科·朗根 , 约翰·苏肯斯 :
监督多实例分类的聚合特征学习。 信息科学。 375 : 234-245 ( 2017 ) 2016 [j7] 洛科·朗根 , 马克·范·巴雷尔 , 约翰·苏肯斯 :
可缩放光谱聚类算法的基于熵的不完全Cholesky分解:计算研究和敏感性分析。 熵 18 ( 5 ) : 182 ( 2016 ) [j6] 洛科·朗根 , 马克·范·巴雷尔 , 约翰·苏肯斯 :
高效的进化谱聚类。 模式识别。 莱特。 84 : 78-84 ( 2016 ) 【c21】 洛科·朗根 , 约翰·苏肯斯 :
高效的多尺度核分类器。 IEEE大数据 2016 : 128-133 [公元20年] 林恩·霍瑟斯 , 洛科·朗根 , 约翰·苏肯斯 :
使用基于核的方法和权重耦合从两个数据源进行聚类。 ESANN公司 2016 [第19条] 洛科·朗根 , Raghvendra购物中心 , 维伦·朱穆特 , 约翰·苏肯斯 :
使用固定大小方法的快速内存频谱聚类。 ESANN公司 2016 [第18条] Raghvendra购物中心 , 哈利玛·本斯梅尔 , 洛科·朗根 , 卡罗琳娜·瓦隆 , 约翰·苏肯斯 :
去噪内核光谱数据聚类。 国际JCNN 2016 : 3709-3716 2015 [j5] 洛科·朗根 , 卡洛斯·阿尔扎特 , 巴特·德·凯特莱尔 , 乔纳斯·弗拉塞勒 , Wannes Meert公司 , 约翰·苏肯斯 :
基于LS-SVM的谱聚类和回归用于预测工业机器的维护。 工程应用。 Artif公司。 智力。 37 : 268-278 ( 2015 ) 【j4】 Siamak Mehrkanoon公司 , 卡洛斯·阿尔扎特 , Raghvendra购物中心 , 洛科·朗根 , 约翰·苏肯斯 :
基于核谱聚类的多类半监督学习。 IEEE传输。 神经网络学习。 系统。 26 ( 4 ) : 720-733 ( 2015 ) [第17条] 维伦·朱穆特 , 洛科·朗根 , 约翰·苏肯斯 :
用于分布式大规模聚类的正则化和稀疏随机k-means。 IEEE大数据 2015 : 2535-2540 [第16条] Raghvendra购物中心 , 洛科·朗根 , 约翰·苏肯斯 :
使用软核谱聚类对数据中的重叠点和离群点进行排序。 ESANN公司 2015 [i3] 洛科·朗根 , Raghvendra购物中心 , 卡洛斯·阿尔扎特 , 约翰·苏肯斯 :
核谱聚类及其应用。 CoRR公司 abs/1505.00477 ( 2015 ) 2014 【b1】 洛科·朗根 :
使用基于内核的方法对进化数据进行聚类(Clusteren van evoluerende数据符合behulp van Kernel-gebaseerde方法)。 比利时鲁汶卡索利克大学, 2014 [j3] 洛科·朗根 , 奥斯卡·莫里西奥·阿古德罗 , 巴特·德摩尔 , 约翰·苏肯斯 :
用于非平稳数据在线学习的增量核谱聚类。 神经计算 139 : 246-260 ( 2014 ) [第15条] Raghvendra购物中心 , 维伦·朱穆特 , 洛科·朗根 , 约翰·苏肯斯 :
使用k-NN图进行大数据学习的代表子集。 IEEE大数据 2014 : 37-42 [第14条] 洛科·朗根 , Raghvendra购物中心 , 约翰·苏肯斯 :
使用带内存的核谱聚类随时间对数据进行聚类。 CIDM公司 2014 : 1-8 [第13条] Raghvendra购物中心 , 洛科·朗根 , 约翰·苏肯斯 :
聚合层次核谱数据聚类。 CIDM公司 2014 : 9-16 [c12] 洛科·朗根 , 卡洛斯·阿尔扎特 , Abdellatif Bey-Temsamani公司 , 约翰·苏肯斯 :
使用自回归LS-SVM模型在工业机器中进行警报预测。 CIDM公司 2014 : 359-364 [第11条] 夏拉兰波斯N.莫肖波洛斯 , 杜桑·波波维奇 , 洛科·朗根 , 约翰·苏肯斯 , 巴特·德摩尔 , 伊夫·莫劳 :
基因交互网络提高了遗传算法在生物标记物发现中的性能。 MCDM公司 2014 : 144-149 [第10条] 乔纳斯·弗拉塞勒 , Wannes Meert公司 , 洛科·朗根 , 吕克·德·雷德特 :
不完全观测的状态监测。 ECAI公司 2014 : 1215-1216 【c9】 Raghvendra购物中心 , 洛科·朗根 , 约翰·苏肯斯 :
大规模网络的聚合层次核谱聚类。 ESANN公司 2014 【c8】 Raghvendra购物中心 , Siamak Mehrkanoon公司 , 洛科·朗根 , 约翰·苏肯斯 :
稀疏核谱聚类的最优约简集。 国际JCNN 2014 : 2436-2443 [i2] 洛科·朗根 :
使用基于内核的方法对进化数据进行聚类。 CoRR公司 abs/1411.5988 ( 2014 ) [i1] Raghvendra购物中心 , 洛科·朗根 , 约翰·苏肯斯 :
现实生活中大规模复杂网络的多级层次核谱聚类。 CoRR公司 腹肌/1411.7640 ( 2014 ) 2013 [注2] Raghvendra购物中心 , 洛科·朗根 , 约翰·苏肯斯 :
大数据网络的核谱聚类。 熵 15 ( 5 ) : 1567-1586 ( 2013 ) [j1] Raghvendra购物中心 , 洛科·朗根 , 约翰·苏肯斯 :
FURS:快速且独特的代表子集选择,保留大规模社区结构。 Soc.网络。 分析。 最小值。 三 ( 4 ) : 1075-1095 ( 2013 ) 【c7】 Raghvendra购物中心 , 洛科·朗根 , 约翰·苏肯斯 :
大规模网络的自调整核谱聚类。 IEEE大数据 2013 : 385-393 【c6】 洛科·朗根 , 卡洛斯·阿尔扎特 , 巴特·德·凯特莱尔 , 约翰·苏肯斯 :
用于预测工业机器维护的核谱聚类。 CIDM公司 2013 : 39-45 【c5】 洛科·朗根 , Raghvendra购物中心 , 约翰·苏肯斯 :
软核谱聚类。 国际JCNN 2013 : 1-8 【c4】 迭戈·埃尔南·佩鲁福·奥尔多涅斯 , 塞尔吉奥·加西亚·维加 , 洛科·朗根 , 约翰·苏肯斯 , Germanán Castellanos Domínguez公司 :
使用多核学习的动态数据的核谱聚类。 国际JCNN 2013 : 1-6 【c3】 Raghvendra购物中心 , 洛科·朗根 , 约翰·苏肯斯 :
核谱聚类的高度稀疏约简。 PReMI公司 2013 : 163-169 2012 【c2】 洛科·朗根 , 卡洛斯·阿尔扎特 , 约翰·苏肯斯 :
复杂网络中社区检测的核谱聚类方法。 国际JCNN 2012 : 1-8 2011 【c1】 洛科·朗根 , 卡洛斯·阿尔扎特 , 约翰·苏肯斯 :
基于模块性的核谱聚类模型选择。 国际JCNN 2011 : 1849-1856