Deutsch
 
Hilfe Datenschutzhinweis Impressum
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
Zur Ablage hinzufügen
 Lokale TagsFreigabegeschichteDetailsÜbersicht
  From Probabilistic Graphical Models to Generalized Tensor Networks for Supervised Learning

Glasser, I., Pancotti, N., & Cirac, J. I. (2020). From Probabilistic Graphical Models to Generalized Tensor Networks for Supervised Learning. IEEE Access, 8, 68169-68182. doi:10.1109/ACCESS.2020.2986279.

Item is

 

einblenden: alle ausblenden: alle

Basisdaten

einblenden: ausblenden:
Datensatz-Permalink: https://hdl.handle.net/21.11116/0000-0006-5922-0 Versions-Permalink: https://hdl.handle.net/21.11116/0000-0008-DF47-E
Genre: Zeitschriftenartikel

Dateien

einblenden: Dateien
ausblenden: Dateien
:
5926.pdf (Verlagsversion), 12MB
Öffnen   Speichern
Datei-Permalink:
https://hdl.handle.net/21.11116/0000-0006-5924-E
Name:
5926.pdf
Beschreibung:
-
OA-Status:
Sichtbarkeit:
Öffentlich
MIME-Typ / Prüfsumme:
application/pdf / [MD5]
Technische Metadaten:
Öffnen
Copyright Datum:
-
Copyright Info:
-
Lizenz:
https://creativecommons.org/licenses/by/4.0/

Externe Referenzen

einblenden:

Urheber

einblenden:
ausblenden:
 Urheber:
Glasser, Ivan1, 2, Autor           
Pancotti, Nicola1, 2, 3, Autor           
Cirac, J. Ignacio1, 2, Autor           
Affiliations:
1Theory, Max Planck Institute of Quantum Optics, Max Planck Society, ou_1445571              
2MCQST - Munich Center for Quantum Science and Technology, External Organizations, ou_3330166              
3IMPRS (International Max Planck Research School), Max Planck Institute of Quantum Optics, Max Planck Society, ou_3164443              

Inhalt

einblenden:

Details

einblenden:
ausblenden:
Sprache(n): eng - English
 Datum: 2019-12-122020-03-062020-04-07
 Publikationsstatus: Online veröffentlicht
 Seiten: -
 Ort, Verlag, Ausgabe: -
 Inhaltsverzeichnis: -
 Art der Begutachtung: Expertenbegutachtung
 Identifikatoren: DOI: 10.1109/ACCESS.2020.2986279
URI: https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9058650
Anderer: 5926
 Art des Abschluß: -

Veranstaltung

einblenden:

Entscheidung

einblenden:

Projektinformation

einblenden:

Quelle 1

einblenden:
ausblenden:
Titel: IEEE Access
Genre der Quelle: Zeitschrift
 Urheber:
Affiliations:
Ort, Verlag, Ausgabe: New York, NY : IEEE
Seiten: - Band / Heft: 8 Artikelnummer: - Start- / Endseite: 68169 - 68182 Identifikator: ISSN: 2169-3536
CoNE: https://pure.mpg.de/cone/journals/resource/2169-3536