Learning Random Feature Dynamics for Uncertainty Quantification

Agudelo-España, Diego; Nemmour, Yassine; Schölkopf, Bernhard; Zhu, Jia-Jie

doi:10.1109/CDC51059.2022.9993152

Datensatz

DATENSATZ AKTIONENEXPORT

Zur Ablage hinzufügen

Lokale TagsFreigabegeschichteDetailsÜbersicht

Freigegeben

Konferenzbeitrag

Learning Random Feature Dynamics for Uncertainty Quantification

MPG-Autoren

Agudelo-España, Diego
Dept. Empirical Inference, Max Planck Institute for Intelligent Systems, Max Planck Society;

/persons/resource/persons249618

Nemmour, Yassine
Dept. Empirical Inference, Max Planck Institute for Intelligent Systems, Max Planck Society;

/persons/resource/persons84193

Schölkopf, Bernhard
Dept. Empirical Inference, Max Planck Institute for Intelligent Systems, Max Planck Society;

/persons/resource/persons232844

Zhu, Jia-Jie
Dept. Empirical Inference, Max Planck Institute for Intelligent Systems, Max Planck Society;

Externe Ressourcen

https://doi.org/10.1109/CDC51059.2022.9993152
(Verlagsversion)

Volltexte (beschränkter Zugriff)

Für Ihren IP-Bereich sind aktuell keine Volltexte freigegeben.

Volltexte (frei zugänglich)

Es sind keine frei zugänglichen Volltexte in PuRe verfügbar

Ergänzendes Material (frei zugänglich)

Es sind keine frei zugänglichen Ergänzenden Materialien verfügbar

Zitation

Agudelo-España, D., Nemmour, Y., Schölkopf, B., & Zhu, J.-J. (2023). Learning Random Feature Dynamics for Uncertainty Quantification. In 2022 IEEE 61st Conference on Decision and Control (CDC) (pp. 4937-4944). Piscataway, NJ: IEEE. doi:10.1109/CDC51059.2022.9993152.

Zitierlink: https://hdl.handle.net/21.11116/0000-000F-E552-2

Zusammenfassung

Es ist keine Zusammenfassung verfügbar