Ergebnisse

Prognose der Verkehrslage in der Region Hannover

Die primäre Anforderung der Verkehrsteilnehmer im Bereich des Straßenverkehrs ist die Kenntnis der aktuellen Verkehrslage. Diese basiert in der Regel auf der wirklich benötigten Reisezeit von sehr vielen Verkehrsteilnehmern, deren Daten häufig im Kontext von Routingdiensten abgegriffen werden.

Im Rahmen von Data4UrbanMobility wurden Werkzeuge entwickelt um eine ganglineinbasierte Prognose der Verkehrslage zu ermöglichen. Die folgende Abbildung zeigt eine Oberfläche auf der typische Ganglinienverläufe und Ausreißer visualisiert werden.

Die Prognose der Verkehrslage kann dann mittels einer Karte für den Endnutzer visualisert werden:

Erste Version der MIC-App bereitgestellt

Eine erste Version der MIC-App (Move in the City) konnte allen Partnerinnen und Partnern des Projekts und einer geschützten Nutzer*innengruppe der Öffentlichkeit zur Verfügung gestellt werden. Die mobile App MiC ist ein Instrument zur Datenerhebung.

Dabei verknüpft MiC – eine Entwicklung des Institute for Sustainable Urbanism ISU der TU Braunschweig und Projektionisten GmbH Hannover – das wachsende Bewusstsein und die Notwendigkeit für digitale Bürger*innenrechte mit den Potentialen mittels der Auswertung großer Datenmengen neue Formen der menschzentrierten Entwicklung von Stadt und Mobilität zu ermöglichen stellt eine Möglichkeit dar, sich aktiv als Bürgerwissenschaftlerin und Bürgerwissenschaftler an der Forschung und Entwicklung der Mobilität für alle in der Stadt der Zukunft zu beteiligen.

MiC erhebt – durch die Nutzerinnen und Nutzer gesteuert – Daten zu Strecken und Art der Fortbewegung. Diese Daten werden pseudonymisiert, so dass ein Rückschluss auf die jeweilige Person nicht mehr möglich ist. Wichtig ist die Vielzahl der Nutzerinnen und Nutzer – nicht die einzelne Bewegung. Die Stadt der Zukunft zeichnet sich aus durch den barrierearmen Zugang zu Mobilität und Erreichbarkeit für alle. Der holistische Ansatz der Forscherinnen und Forscher des Institute for Sustainable Urbanism ISU (TU Braunschweig) sowie der Projektbeteiligten betrachtet Stadt dabei auf verschiedenen Maßstabsebenen und bringt intelligente Planungen – wie z.B. die 5-Minuten Stadt –, Städtebau und innovative Technologien zusammen. Für ein umfassendes Verständnis individueller Mobilität und darauf aufbauende neue Methoden und Werkzeuge für integrierte Verkehrs- und Stadtplanung werden mittels der MiC-App uns umfangreiche und detaillierte Daten darüber geliefert, wie und auf welchem Wege wir uns in der Stadt fortbewegen.

Entwicklungsstand:

In der ersten Version ermöglicht das Stadtforschungstool MiC den Nutzer*innen durch eine einfach Handhabung das Starten und Beenden der „Tracking-Time“ (Bild 1). Wichtig ist, die Nutzer*innen entscheidet selber über den Zeitraum. Als erstes Ergebnis für die Nutzer*innen steht eine Zusammenfassung ihrer bisher aufgezeichneten Routen (Bild2). In den Einstellung (Bild 3) kann der Nutzer sich aktiv an Feedback beteiligen (Bild 4) sowie seinen Account und somit seiner zur Verfügung gestellten Daten löschen (Bild 5).

von links nach recht: Bild1-5 MIC App Interface – Attribution-NonCommercial-ShareAlike 4.0 International  (CC BY-NC-SA 4.0)

Die aktuelle Weiterentwicklung sieht eine Visualisierung der Routen für den jeweiligen Nutzer vor.

Um Teil der Testgruppe zu werden ist zur Zeit noch eine Anmeldung unter: www.mic-app.org notwendig. Die Anwendung ist nicht frei im App Store / GooglePlay Store zu erhalten.

Auf der Internetseite www.mic-app.org wird zusätzlich detailliert auf häufige Fragen (FAQ) zur Anwendung sowie über Entwicklungen und Neuheiten informiert

D4UM Plattform und Dashboard V2

Die neue Version der Plattform inklusive des Dashboards gibt noch detailliertere Auskünfte über die Verkehrssituation


Die farblich unterschiedlichen Label lassen eine schnelle Unterscheidung zwischen den verschiedenen Event typen zu. Durch das klicken auf eines der Events wird der typically affected subgraph angezeigt für diesen Eventtyp.

 

Beispiele: Visualisierungen eines Konzerts und eines Fußballspiels

Zusätzlich gibt der Graph in der oberen rechten Ecke Auskunft über die Verkehrssituation vor und nach dem Eventstart.

{API}
Es wurden die API Endpunkte mit zusätzlichen Information erweitert.
Diese werden mittels der als Teil der Forschung entwickelten Modellen erstellt.

Erste Version der D4UM-App bereitgestellt

Eine erste Version der D4UM-App konnte allen Partnern des Projekts zur Verfügung gestellt werden. Die App stellt eine Möglichkeit dar, sich Fahrtauskünfte mit dem öffentlichen Personennahverkehr in Niedersachsen und Bremen (Datengrundlage: EFA – elektronische Fahrplanauskunft für Niedersachsen und Bremen) ausgeben zu lassen. Im Fokus stand hierbei, dass der Nutzer schnell und einfach an die für ihn wichtigen Informationen gelangen kann, um so seine Reise möglichst simpel planen zu können.

Folgende Funktionen dienen dabei in der ersten Version der schnellen Auskunft:

Abfahrten und Verbindungen

Über die Funktion Abfahrten lassen sich Abfahrtszeiten an einer bestimmten oder an nahegelegenen Haltestellen ermitteln. Unter Verbindungen können hingegen Fahrtvorschläge von einem Startpunkt (Adresse oder Haltestelle) zu einem Zielpunkt gesucht werden. Zeiten stehen dabei auch in Echtzeit zur Verfügung, sodass auch Verspätungen direkt von dem Nutzer erkannt werden können.

 

Karte

Über die Karte sind alle Haltestellen zu finden, sodass sich der Nutzer einen Überblick über die nähere Umgebung oder auch den Weg zur Haltestelle oder einem Ziel verschaffen kann.

Wird auf der Karte auf ein Haltestellensymbol oder den zugehörigen Haltestellennamen geklickt, öffnet sich der Abfahrtsmonitor zu dieser Haltestelle. Die nächsten Abfahrten können somit auch über diesen Weg aufgerufen werden.

Darüber hinaus kann sich der Nutzer auch den Verlauf seiner Fahrt anzeigen lassen.

 

Menü/Einstellungen

Weitere Funktionen und Einstellungen finden sich ergänzend im Menü der App.

Der Nutzer bekommt hier zum einen die Möglichkeit, dass erweiterte Einstellungen zu den Suchanfragen bei Verbindungen oder Abfahrten vorgenommen werden können, und zum anderen, dass er weitere Features verwenden kann. Darunter befindet sich zum Beispiel das Feedbackformular. Hierüber kann unkompliziert Kontakt mit den Entwicklern der D4UM-App per Mail aufgenommen werden. Icons ermöglichen es, dass ein Eindruck zu der App übermittelt werden kann. Ein weiteres Feld für Freitext bietet zudem Platz für individuelle Kritik und einer Meinung zu der App. So kann in Zukunft kundennah an der App weiterentwickelt und einfach auf Wünsche und Meinungen reagiert werden.

 

Quantifizierungen und Vorhersage von Auswirkungen von Veranstaltungen

Neue Data4UrbanMobility-Forschungsergebnisse ermöglichen es, die räumlichen Auswirkungen von Veranstaltungen zu quantifizieren und vorherzusagen. Dazu werden zusammenhängende, betroffene Straßenabschnitte in der Nähe von Veranstaltungen identifiziert. Auf dieser Grundlage kann dann die räumliche Auswirkung quantifiziert werden. Das Verfahren ist in der folgenden Grafik dargestellt.

(Karte von https://www.openstreetmap.org)

Hier in Gelb markiert ist eine Veranstaltung, in Rot betroffene Straßenabschnitte und in Dunkelblau die gemessene Auswirkung. Weiterhin wurden Verfahren des Maschinellen Lernens angewandt, um diese Auswirkungen zu prognostizieren. Dabei konnte der Fehler gegenüber bestehenden state-of-the-art Ansätzen um bis zu 40% verringert werden.

 

D4UM – Plattform V1 fertiggestellt

Die erste Version der Data4UrbanMobility Plattform wurde fertiggestellt. Dazu wurde zunächst eine 3-Schichten Architektur der Plattform konzipiert und implementiert. Die Plattform bietet RESTfull Webservices für Mobilitätsapplikationen wie Dashboard-Anwendungen oder Apps an. Als erste Beispielanwendung wurde dazu eine interaktive Karte entwickelt, die die Auswirkungen von Veranstaltungen visualisiert. Ein Ausschnitt aus der Anwendung ist im folgenden Screenshot zu sehen.

Zu sehen sind 4 Veranstaltungen in Hannover. Die Farben entsprechen dabei unterschiedlichen Veranstaltungsarten (etwa Konzerte, Messen, Fußballspiele). Die Kreise visualisieren die räumlichen Auswirkungen, die diese Veranstaltungen auf den Verkehr hatten.

Umfangreicher Anforderungskatalog
Die Data4UrbanMobility Anforderungsanalyse umfasst die Erfassung der Anforderungen der Anwendungspartner Region Hannover (RH) und Wolfsburg AG (WAG), sowie der nicht-funktionalen Anforderungen. Aus den Anforderungen der AnwendungspartnerInnen (RH und WAG), die von MOMA erhoben wurden, sind von L3S Forschungsfragen für die Datenanalyse abgeleitet worden, die sich speziell auf die Informationsbedürfnisse der AnwenderInnen beziehen und im weiteren Projektverlauf adressiert werden.

Die aktuelle Forschungsfragen adressieren insbesondere:

  1.  Automatische Verifikation von Verkehrswarnmeldungen und Prognose von deren Auswirkungen.
  2.  Identifikation von Veranstaltungen und Prognose verkehrsrelevanter Auswirkungen.
  3. Korrelation von IV-Reiseflussdaten, EFA-Querylogs, Warnmeldungen und Twitterfeeds.
  4. Bestimmung von optimalen Reisezeitpunkte.


Wachsende Datensammlung

Das ISU hat einen umfassende Datenmatrix mit potentiellen Quellen für mobilitätsrelevante Daten  erstellt. Das von L3S entwickelte Data4UrbanMobility Datenmodell beschreibt alle projektrelevanten Daten und setzt diese in Verbindung um die Daten sowohl für die Analyse als auch für die Anwendungen und Apps einheitlich zur Verfügung zu stellen. Die ausgewählten Datenquellen sind von L3S in das Data4UrbanMobility Datenmodell überführt. Einige der Datenquellen wie EFA-logs, und IV-Daten sind dabei auf deren Qualität geprüft worden.

Um die Datenintegration zu ermöglichen sind Werkzeuge zur Extraktion der relevanten Daten aus Mobilitätsrelevanten Datenquellen entwickelt worden:

  • Straßen- und Graphextraktion aus OpenStreetMap
  • EFA-Anfragen Bulkloader für die Extraktion der ÖPNV Anfragen aus EFA Logs
  • Integration von Daten aus dem Zentralen Haltestellen Verzeichnis (ZHV) inklusive Verknüpfung der Daten mit den EFA-Anfragen

Die aktuelle Datensammlung (Stand: 12 Dezember 2017) umfasst:

EFA-Logs: 17 Mio. Suchanfragen
IV-Daten: 174 Tsd. Straßen, alle 15 Minuten
GTFS-Daten: 90 Tsd. Haltestellen, 2,6 Tsd. Routen
Wetter: Radolan Regenraster
Twitter: 2,5 Mio. Tweets ab Juni 2017

OSM: 440 Tsd. Straßen
Events: 21 Tsd. Veranstaltungen (14.08.2016-17.07.2018)

Warnmeldungen: 13 Tsd. Warnmeldungen (ab 06.2017)

Visualisierungen der ÖPNV Informationen

Zur intuitiven Analyse von mobilitätsrelevanten Informationen, insbesondere von ÖPNV Informationen, wurde von den PROJEKTIONISTEN (PROJ) eine Dashboard-Webapplikation konzipiert. Erste Prototypen visualisieren Anfragen an das regionale Fahrplanauskunftsystem EFA (www.efa.de) und dienen als Ausgangsbasis für explorative Analysen und die Implementierung der produktiven Version des Dashboards. Im Folgenden ist eine im Dashboard integrierte Visualisierung der häufigsten Start- und Ziel-punkte zu sehen.

Analysen der EFA-Logs
Als erste Forschungsfrage wird aktuell die Analyse der Auswirkungen der Veranstaltungen auf dem ÖPNV mit Methoden des Maschinellen Lernens analysiert.  Hierzu wurden in explorativen Datenanalysen der Einfluss von großen Veranstaltungen wie z.B. Fussballspielen und mittelgroßen Veranstaltungen, etwa Konzerte, auf Anfragen an den ÖPNV betrachtet.  Als Grundlage für umfassende Analysen wurden mit Hilfe visueller Methoden exemplarisch Korrelation zwischen ÖPNV-Nachfrage und Veranstaltungszeiträumen detektiert.

Dabei zeichnen sich z.B. für Hannovers Innenstadt klare, sternförmige Muster ab, die zentrale Mobilitätsknoten identifizieren.

Das Bild stellt die Luftlinie zwischen Start- und Ziel-Ort der Anfragen dar. Dabei entsprechen dunklere Farben häufigeren Strecken. Hier werden deutlich Hannover Hauptbahnhof und Hannover Kröpcke (die zentrale U-Bahn Station) als Mobilitätsknoten identifiziert.

Analysen der Nachfrage für einzelne Stationen lassen wochentagspezifische Muster erkennen.

Hier dargestellt sind die durchschnittliche Anzahl der Anfragen mit der Ziel-Haltestelle “Hannover Stadionbrücke”. Zu erkennen sind vor allem Unterschiede zwischen Werktagen und dem Wochenende.

Auch der Einfluss von Veranstaltungen kann mit Hilfe der Anfragen visualisiert werden:

 

Dargestellt sind die Anzahl der Anfragen mit Ziel “Hannover Stadionbrücke” für Mittwoch, den 26.04.2017 (Orange) sowie die durchschnittlichen Anzahl von Anfragen, die mittwochs mit gleichem Ziel gestellt wird (Blau).
An diesem Tag fand in einer nahe gelegenen Konzerthalle ein Konzert statt, das um 20 Uhr begann. Die signifikante Abweichung zwischen 17 und 19 Uhr wurde sehr wahrscheinlich von den anreisenden Gästen verursacht wurde. Dies illustriert, dass Anfragen an den ÖPNV eine wertvolle Informationsquelle sein können, um Prognosen über die Auswirkung von Veranstaltungen auf Mobilität zu erstellen.

 

  • Grammatical Error Detection on Spontaneous Children’s Speech Using Iterative Pseudo Labeling. Gebauer, Lars Rumberg Christopher (2025).
  • Quo Vadis CKKS: Comparison of the Realization of Basic Mathematical Functions for the Homomorphic Cryptosystem CKKS using De Bello and Polynomial Approximations. Prantl, Thomas; Horn, Lukas; Engel, Simon; Bauer, André; Kounev, Samuel (2025). 93
  • Quo Vadis CKKS: Comparison of the Realization of Basic Mathematical Functions for the Homomorphic Cryptosystem CKKS using De Bello and Polynomial Approximations. Prantl, Thomas; Horn, Lukas; Engel, Simon; Bauer, André; Kounev, Samuel (2025). 93
  • Quo Vadis CKKS: Comparison of the Realization of Basic Mathematical Functions for the Homomorphic Cryptosystem CKKS using De Bello and Polynomial Approximations. Prantl, Thomas; Horn, Lukas; Engel, Simon; Bauer, André; Kounev, Samuel (2025). 93
  • Oratio Homomorphico: Creating a Lecture for Homomorphic Encryption by applying Design-Based Research. Prantl, Thomas; Schneider, Tobias; Horn, Lukas; Engel, Simon; Iffländer, Lukas; Krupitzer, Christian; Bonilla, Rafael; Kounev, Samuel in EAI CSECS 2025 (2025).
  • Privacy-Preserving Training and Inference of CNNs: A Medical Performance Case Study. Prantl, Thomas; Schneider, Louis; Engel, Simon; Horn, Lukas; Borst, Vanessa; Krupitzer, Christian; Kounev, Samuel; Bonilla, Rafael in ICSC2025 (2025).
  • Rule-Based Grammatical Error Detection on Spontaneous Children’s Speech. Gebauer, Lars Rumberg Christopher (2025). 117–124.
  • Oratio Homomorphico: Creating a Lecture for Homomorphic Encryption by applying Design-Based Research. Prantl, Thomas; Schneider, Tobias; Horn, Lukas; Engel, Simon; Iffländer, Lukas; Krupitzer, Christian; Bonilla, Rafael; Kounev, Samuel in EAI CSECS 2025 (2025).
  • Eliminating Majority Illusion. Fioravantes, Foivos; Lahiri, Abhiruk; Lauerbach, Antonio; Sabater, Llu’is; Sieper, Marie Diana; Wolf, Samuel in AAMAS ’25 (2025). 749–757.
  • Privacy-Preserving Training and Inference of CNNs: A Medical Performance Case Study. Prantl, Thomas; Schneider, Louis; Engel, Simon; Horn, Lukas; Borst, Vanessa; Krupitzer, Christian; Kounev, Samuel; Bonilla, Rafael in ICSC2025 (2025).
  • Last fifty years of integer linear programming: A focus on recent practical advances. Clautiaux, François; Ljubić, Ivana (2025). 324(3) 707–731.
  • Exact predicates, exact constructions and combinatorics for mesh CSG. Levy, Bruno (2025).
  • Momentum microscopy with combined hemispherical and time-of-flight electron analyzers at the soft X-ray beamline I09 of the diamond light source. Schmitt, Matthias; Biswas, Deepnarayan; Tkach, Olena; Fedchenko, Olena; Liu, Jieyi; Elmers, Hans-Joachim; Sing, Michael; Claessen, Ralph; Lee, Tien-Lin; Schönhense, Gerd (2025). 276 114169.
  • Bismuthene under cover: Graphene intercalation of a large gap quantum spin Hall insulator. Gehrig, Lukas; Schmitt, Cedric; Erhardt, Jonas; Liu, Bing; Wagner, Tim; Kamp, Martin; Moser, Simon; Claessen, Ralph (2025). n/a(n/a) 2502412.
  • A Spatial Decision Support System for climate-adapted agriculture designed with and for stakeholders in West Africa. Ziegler, Katrin; Abel, Daniel; König, Lorenz; Weber, Torsten; Otte, Insa; Teucher, Mike; Conrad, Christopher; Thiel, Michael; Gbode, Imoleayo Ezekiel; Ajayi, Vincent Olanrewaju; Coulibaly, Amadou; Traoré, Seydou B.; Zoungrana, Benewinde Jean-Bosco; Paeth, Heiko (2025). 39 16.
  • Die Unverzichtbaren: Menschen in Basisarbeit. Erkenntnisse für eine politische Auseinandersetzung mit ihren Perspektiven und Forderungen in der Transformationsgesellschaft Siebert, Johanna; Buchstab, Mara (2025).
  • Oratio Homomorphico: Creating a Lecture for Homomorphic Encryption by applying Design-Based Research. Prantl, Thomas; Schneider, Tobias; Horn, Lukas; Engel, Simon; Iffländer, Lukas; Krupitzer, Christian; Bonilla, Rafael; Kounev, Samuel in EAI CSECS 2025 (2025).
  • Privacy-Preserving Training and Inference of CNNs: A Medical Performance Case Study. Prantl, Thomas; Schneider, Louis; Engel, Simon; Horn, Lukas; Borst, Vanessa; Krupitzer, Christian; Kounev, Samuel; Bonilla, Rafael in ICSC2025 (2025).
  • Quo Vadis CKKS: Comparison of the Realization of Basic Mathematical Functions for the Homomorphic Cryptosystem CKKS using De Bello and Polynomial Approximations. Prantl, Thomas; Horn, Lukas; Engel, Simon; Bauer, André; Kounev, Samuel (2025). 93
  • Oratio Homomorphico: Creating a Lecture for Homomorphic Encryption by applying Design-Based Research. Prantl, Thomas; Schneider, Tobias; Horn, Lukas; Engel, Simon; Iffländer, Lukas; Krupitzer, Christian; Bonilla, Rafael; Kounev, Samuel in EAI CSECS 2025 (2025).
  • Towards Automatic Bias Analysis in Multimedia Journalism. Hinrichs, Reemt; Steffen, Hauke; Avetisyan, Hayastan; Broneske, David; Ostermann, Jörn (2025).
  • UncertainSAM: Fast and Efficient Uncertainty Quantification of the Segment Anything Model. Kaiser, Timo; Norrenbrock, Thomas; Rosenhahn, Bodo (2025).
  • Privacy-Preserving Training and Inference of CNNs: A Medical Performance Case Study. Prantl, Thomas; Schneider, Louis; Engel, Simon; Horn, Lukas; Borst, Vanessa; Krupitzer, Christian; Kounev, Samuel; Bonilla, Rafael in ICSC2025 (2025).
  • Oratio Homomorphico: Creating a Lecture for Homomorphic Encryption by applying Design-Based Research. Prantl, Thomas; Schneider, Tobias; Horn, Lukas; Engel, Simon; Iffländer, Lukas; Krupitzer, Christian; Bonilla, Rafael; Kounev, Samuel in EAI CSECS 2025 (2025).
  • Quo Vadis CKKS: Comparison of the Realization of Basic Mathematical Functions for the Homomorphic Cryptosystem CKKS using De Bello and Polynomial Approximations. Prantl, Thomas; Horn, Lukas; Engel, Simon; Bauer, André; Kounev, Samuel (2025). 93
  • Oratio Homomorphico: Creating a Lecture for Homomorphic Encryption by applying Design-Based Research. Prantl, Thomas; Schneider, Tobias; Horn, Lukas; Engel, Simon; Iffländer, Lukas; Krupitzer, Christian; Bonilla, Rafael; Kounev, Samuel in EAI CSECS 2025 (2025).
  • Privacy-Preserving Training and Inference of CNNs: A Medical Performance Case Study. Prantl, Thomas; Schneider, Louis; Engel, Simon; Horn, Lukas; Borst, Vanessa; Krupitzer, Christian; Kounev, Samuel; Bonilla, Rafael in ICSC2025 (2025).
  • User Preferences for Interaction Timing in Smartwatch Sleep Hygiene Games. Liang, Zilu; Hwang, Daeun; Chen, Samantha; Nhung, Huyen Hoang; Khotchasing, Kingkarn; Melcer, Edward F. N. Yamashita, V. Evers, K. Yatani, S. X. Ding, B. Lee, M. Chetty, P. O. T. Dugas (eds.) (2025). 470:1–470:17.
  • Quo Vadis CKKS: Comparison of the Realization of Basic Mathematical Functions for the Homomorphic Cryptosystem CKKS using De Bello and Polynomial Approximations. Prantl, Thomas; Horn, Lukas; Engel, Simon; Bauer, André; Kounev, Samuel (2025). 93
  • Quo Vadis CKKS: Comparison of the Realization of Basic Mathematical Functions for the Homomorphic Cryptosystem CKKS using De Bello and Polynomial Approximations. Prantl, Thomas; Horn, Lukas; Engel, Simon; Bauer, André; Kounev, Samuel (2025). 93
  • Privacy-Preserving Training and Inference of CNNs: A Medical Performance Case Study. Prantl, Thomas; Schneider, Louis; Engel, Simon; Horn, Lukas; Borst, Vanessa; Krupitzer, Christian; Kounev, Samuel; Bonilla, Rafael in ICSC2025 (2025).
  • Privacy-Preserving Training and Inference of CNNs: A Medical Performance Case Study. Prantl, Thomas; Schneider, Louis; Engel, Simon; Horn, Lukas; Borst, Vanessa; Krupitzer, Christian; Kounev, Samuel; Bonilla, Rafael in ICSC2025 (2025).
  • Oratio Homomorphico: Creating a Lecture for Homomorphic Encryption by applying Design-Based Research. Prantl, Thomas; Schneider, Tobias; Horn, Lukas; Engel, Simon; Iffländer, Lukas; Krupitzer, Christian; Bonilla, Rafael; Kounev, Samuel in EAI CSECS 2025 (2025).
  • Oratio Homomorphico: Creating a Lecture for Homomorphic Encryption by applying Design-Based Research. Prantl, Thomas; Schneider, Tobias; Horn, Lukas; Engel, Simon; Iffländer, Lukas; Krupitzer, Christian; Bonilla, Rafael; Kounev, Samuel in EAI CSECS 2025 (2025).
  • Privacy-Preserving Training and Inference of CNNs: A Medical Performance Case Study. Prantl, Thomas; Schneider, Louis; Engel, Simon; Horn, Lukas; Borst, Vanessa; Krupitzer, Christian; Kounev, Samuel; Bonilla, Rafael in ICSC2025 (2025).
  • Identification and Localization COVID-19 Abnormalities on Chest Radiographs. Pham, Van Tien; Nguyen, Thanh Phuong in Lecture Notes on Data Engineering and Communications Technologies, A. E. Hassanien, A. Haqiq, A. T. Azar, K. Santosh, M. A. Jabbar, A. Slowik, P. Subashini (eds.) (2023). (Vol. 164) 251–261.
  • CoRAL: a Context-aware Croatian Abusive Language Dataset. Shekhar, Ravi; Karan, Mladen; Purver, Matthew Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 217–225.
  • Automating Interlingual Homograph Recognition with Parallel Sentences. Han, Yi; Sasano, Ryohei; Takeda, Koichi Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 211–216.
  • Understanding the Use of Quantifiers in Mandarin. Chen, Guanyi; van Deemter, Kees Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 73–80.
  • LEATHER: A Framework for Learning to Generate Human-like Text in Dialogue. Sicilia, Anthony; Alikhani, Malihe Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 30–53.
  • A Multilingual Multiway Evaluation Data Set for Structured Document Translation of Asian Languages. Buschbeck, Bianka; Dabre, Raj; Exel, Miriam; Huck, Matthias; Huy, Patrick; Rubino, Raphael; Tanaka, Hideki Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 237–245.
  • Cross-domain Analysis on Japanese Legal Pretrained Language Models. Miyazaki, Keisuke; Yamada, Hiroaki; Tokunaga, Takenobu Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 274–281.
  • Open-Domain Conversational Question Answering with Historical Answers. Fang, Hung-Chieh; Hung, Kuo-Han; Huang, Chao-Wei; Chen, Yun-Nung Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 319–326.
  • Meta-Learning Adaptive Knowledge Distillation for Efficient Biomedical Natural Language Processing. Obamuyide, Abiola; Johnston, Blair Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 131–137.
  • Efficient Entity Embedding Construction from Type Knowledge for BERT. Feng, Yukun; Fayazi, Amir; Rastogi, Abhinav; Okumura, Manabu Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 1–10.
  • Chop and Change: Anaphora Resolution in Instructional Cooking Videos. Oguz, Cennet; Kruijff-Korbayová, Ivana; Vincent, Emmanuel; Denis, Pascal; van Genabith, Josef Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 364–374.
  • Assessing How Users Display Self-Disclosure and Authenticity in Conversation with Human-Like Agents: A Case Study of Luda Lee. Cho, Won-Ik; Kim, Soomin; Choi, Eujeong; Jeong, Younghoon Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 145–152.
  • Modeling Referential Gaze in Task-oriented Settings of Varying Referential Complexity. Alaçam, Özge; Ruppert, Eugen; Zarrieß, Sina; Malhotra, Ganeshan; Biemann, Chris Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 197–210.
  • A Hybrid Architecture for Labelling Bilingual Māori-English Tweets. Trye, David; Yogarajan, Vithya; König, Jemma L.; Keegan, Te Taka; Bainbridge, David; Apperley, Mark D. Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 119–130.
  • Robustness Evaluation of Text Classification Models Using Mathematical Optimization and Its Application to Adversarial Training. Tomonari, Hikaru; Nishino, Masaaki; Yamamoto, Akihiro Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 327–333.
  • Spa: On the Sparsity of Virtual Adversarial Training for Dependency Parsing. Lou, Chao; Han, Wenjuan; Tu, Kewei Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 11–21.
  • PLATO-XL: Exploring the Large-scale Pre-training of Dialogue Generation. Bao, Siqi; He, Huang; Wang, Fan; Wu, Hua; Wang, Haifeng; Wu, Wenquan; Wu, Zhihua; Guo, Zhen; Lu, Hua; Huang, Xinxian; Tian, Xin; Xu, Xinchao; Lin, Yingzhan; Niu, Zheng-Yu Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 107–118.
  • Conceptual Similarity for Subjective Tags. Gaci, Yacine; Benatallah, Boualem; Casati, Fabio; Benabdeslem, Khalid Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 54–66.
  • Does Representational Fairness Imply Empirical Fairness?. Shen, Aili; Han, Xudong; Cohn, Trevor; Baldwin, Timothy; Frermann, Lea Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 81–95.
  • "#DisabledOnIndianTwitter" : A Dataset towards Understanding the Expression of People with Disabilities on Indian Twitter. Mondal, Ishani; Kaur, Sukhnidh; Bali, Kalika; Vashistha, Aditya; Swaminathan, Manohar Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 375–386.
  • The Effects of Surprisal across Languages: Results from Native and Non-native Reading. de Varda, Andrea Gregor; Marelli, Marco Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 138–144.
  • Multilingual Auxiliary Tasks Training: Bridging the Gap between Languages for Zero-Shot Transfer of Hate Speech Detection Models. Montariol, Syrielle; Riabi, Arij; Seddah, Djamé Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 347–363.
  • Block Diagram-to-Text: Understanding Block Diagram Images by Generating Natural Language Descriptors. Bhushan, Shreyanshu; Lee, Minho Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 153–168.
  • Differential Bias: On the Perceptibility of Stance Imbalance in Argumentation. Palomino, Alonso; Khatib, Khalid Al; Potthast, Martin; Stein, Benno Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 411–421.
  • HERB: Measuring Hierarchical Regional Bias in Pre-trained Language Models. Li, Yizhi; Zhang, Ge; Yang, Bohao; Lin, Chenghua; Ragni, Anton; Wang, Shi; Fu, Jie Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 334–346.
  • BeamR: Beam Reweighing with Attribute Discriminators for Controllable Text Generation. Landsman, David; Chen, Jerry Zikun; Zaidi, Hussain Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 422–437.
  • A Simple yet Effective Learnable Positional Encoding Method for Improving Document Transformer Model. Wang, Guoxin; Lu, Yijuan; Cui, Lei; Lv, Tengchao; Florêncio, Dinei A. F.; Zhang, Cha Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 453–463.
  • GCWSNet: Generalized Consistent Weighted Sampling for Scalable and Accurate Training of Neural Networks. Li, Ping; Zhao, Weijie M. A. Hasan, L. Xiong (eds.) (2022). 1188–1198.
  • MetaTrader: An Reinforcement Learning Approach Integrating Diverse Policies for Portfolio Optimization. Niu, Hui; Li, Siyuan; Li, Jian M. A. Hasan, L. Xiong (eds.) (2022). 1573–1583.
  • MMM: An Emotion and Novelty-aware Approach for Multilingual Multimodal Misinformation Detection. Gupta, Vipin; Kumari, Rina; Ashok, Nischal; Ghosal, Tirthankar; Ekbal, Asif Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 464–477.
  • A Copy Mechanism for Handling Knowledge Base Elements in SPARQL Neural Machine Translation. Hirigoyen, Rose; Zouaq, Amal; Reyd, Samuel Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 226–236.
  • Hierarchical Processing of Visual and Language Information in the Brain. Kawasaki, Haruka; Nishida, Satoshi; Kobayashi, Ichiro Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 405–410.
  • Multilingual CheckList: Generation and Evaluation. K, Karthikeyan; Bhatt, Shaily; Singh, Pankaj; Aditya, Somak; Dandapat, Sandipan; Sitaram, Sunayana; Choudhury, Monojit Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 282–295.
  • On Measures of Biases and Harms in NLP. Dev, Sunipa; Sheng, Emily; Zhao, Jieyu; Amstutz, Aubrie; Sun, Jiao; Hou, Yu; Sanseverino, Mattie; Kim, Jiin; Nishi, Akihiro; Peng, Nanyun; Chang, Kai-Wei Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 246–267.
  • ArgGen: Prompting Text Generation Models for Document-Level Event-Argument Aggregation. Kar, Debanjana; Sarkar, Sudeshna; Goyal, Pawan Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 399–404.
  • Part Represents Whole: Improving the Evaluation of Machine Translation System Using Entropy Enhanced Metrics. Liu, Yilun; Tao, Shimin; Su, Chang; Zhang, Min; Zhao, Yanqing; Yang, Hao Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 296–307.
  • SEHY: A Simple yet Effective Hybrid Model for Summarization of Long Scientific Documents. Jiang, Zhihua; Yang, Junzhan; Rao, Dongning Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 96–106.
  • Topic-aware Multimodal Summarization. Mukherjee, Sourajit; Jangra, Anubhav; Saha, Sriparna; Jatowt, Adam Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 387–398.
  • Revisiting Checkpoint Averaging for Neural Machine Translation. Gao, Yingbo; Herold, Christian; Yang, Zijian; Ney, Hermann Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 188–196.
  • Memformer: A Memory-Augmented Transformer for Sequence Modeling. Wu, Qingyang; Lan, Zhenzhong; Qian, Kun; Gu, Jing; Geramifard, Alborz; Yu, Zhou Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 308–318.
  • Adversarial Sample Generation for Aspect based Sentiment Classification. Mamta; Ekbal, Asif Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 478–492.
  • Multi-Domain Dialogue State Tracking By Neural-Retrieval Augmentation. Ravuru, Lohith; Ryu, Seonghan; Choi, Hyungtak; Yang, Haehun; Ko, Hyeonmok Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 169–175.
  • KreolMorisienMT: A Dataset for Mauritian Creole Machine Translation. Dabre, Raj; Sukhoo, Aneerav Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 22–29.
  • TaKG: A New Dataset for Paragraph-level Table-to-Text Generation Enhanced with Knowledge Graphs. Qi, Qianqian; Deng, Zhenyun; Zhu, Yonghua; Lee, Lia Jisoo; Witbrock, Michael; Liu, Jiamou Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 176–187.
  • Logographic Information Aids Learning Better Representations for Natural Language Inference. Jin, Zijian; Ataman, Duygu Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 268–273.
  • R&R: Metric-guided Adversarial Sentence Generation. Xu, Lei; Cuesta-Infante, Alfredo; Berti-Équille, Laure; Veeramachaneni, Kalyan Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 438–452.
  • TaskMix: Data Augmentation for Meta-Learning of Spoken Intent Understanding. Sahu, Surya Kant Y. He, H. Ji, Y. Liu, S. Li, C.-H. Chang, S. Poria, C. Lin, W. L. Buntine, M. Liakata, H. Yan, Z. Yan, S. Ruder, X. Wan, M. Arana-Catania, Z. Wei, H.-H. Huang, J.-L. Wu, M.-Y. Day, P. Liu, R. Xu (eds.) (2022). 67–72.
  • A Survivability-Aware Cyber-Physical Systems Design Methodology. Rashid, Nafiul; Araya, Gustavo Quiros; Faruque, Mohammad Abdullah Al (2019). 848–853.
  • Simethicone use during gastrointestinal endoscopy: Position statement of the Gastroenterological Society of Australia. Devereaux, Benedict M; Taylor, Andrew C F; Athan, Eugene; Wallis, David J; Brown, Robyn R; Greig, Sue M; Bailey, Fiona K; Vickery, Karen; Wardle, Elizabeth; Jones, Dianne M (2019). 34(12) 2086–2089.
  • Automatic Skill Matching for Production Machines. Araya, Gustavo Quiros; Varró, András; Eisen, Patrick; Roelofs, Frank; Kob, Peter (2018). 534–539.
  • Budget Constrained Bidding by Model-free Reinforcement Learning in Display Advertising. Wu, Di; Chen, Xiujun; Yang, Xun; Wang, Hao; Tan, Qing; Zhang, Xiaoxun; Xu, Jian; Gai, Kun A. Cuzzocrea, J. Allan, N. W. Paton, D. Srivastava, R. Agrawal, A. Z. Broder, M. J. Zaki, K. S. Candan, A. Labrinidis, A. Schuster, H. Wang (eds.) (2018). 1443–1451.
  • Response Time Analysis for Fixed Priority Servers. Hamann, Arne; Dasari, Dakshina; Martinez, Jorge; Ziegenbein, Dirk Y. Ouhammou, F. Ridouard, E. Grolleau, M. Jan, M. Behnam (eds.) (2018). 254–264.
  • An Overview of Multi-Task Learning in Deep Neural Networks. Ruder, Sebastian (2017).
  • Modeling and simulation of cyberattacks for resilient cyber-physical systems. Rashid, Nafiul; Wan, Jiang; Araya, Gustavo Quiros; Canedo, Arquimedes; Faruque, Mohammad Abdullah Al (2017). 988–993.
  • Dispersed automation for industrial Internet of Things - An enabler for advanced manufacturing. Araya, Gustavo Quiros; Cao, Diansong; Canedo, Arquimedes (2017). 269–274.
  • Riječ je spomenik: o orijentalizmima u bosanskom jeziku, o bosanici - begovici - arebici, o bosansko-turskom rječniku iz 1631. godine, o Poturima kao narodu Šantić, Ferko (2014). 899-. Štamparija "Fojnica", Fojnica.
  • Graph Kernel-Based Learning for Gene Function Prediction from Gene Interaction Network. Li, Xin; Zhang, Zhu; Chen, Hsinchun; Li, Jiexun (2007). 368–373.
  • Evaluation of Protein Hydropathy Scales. Jääskeläinen, Satu; Riikonen, Pentti; Salakoski, Tapio; Vihinen, Mauno (2007). 245–251.
  • Predicting Markov Chain Order in Genomic Sequences. Heath, Lenwood S.; Pati, Amrita (2007). 159–164.
  • A Haplotyping Algorithm for Non-recombinant Pedigree Data Containing Missing Members. Duong, Doan Dai; Evans, Patricia A. (2007). 275–281.
  • Erik Satie’s Vexations—An Exercise in Immobility. Dawson, Christopher (2001). 21(2) 29–40.
  • Introduction to MCMC and Bayesian Hierarchical Models Knorr-Held, Leonhard; Rasser, Günter (2001).
  • Akira. Book six OÌ„tomo, Katsuhiro; Umezawa, Yoko; Duffy, Jo (1993). (Vol. 6) Kodansha Comics, New York.
  • Mathematical expression for drop size distribution in sprays. Technical Report (NASA-CR-72272), Hiroyasu, H. (1967).
  • An invariant form for the prior probability in estimation problems. Jeffreys, Harold (1946). 186(1007) 453–461.

By continuing to use the site, you agree to the use of cookies. more information

The cookie settings on this website are set to "allow cookies" to give you the best browsing experience possible. If you continue to use this website without changing your cookie settings or you click "Accept" below then you are consenting to this.

Close