Learning Generalized Quasi-Geostrophic Models Using Deep Neural Numerical Models - IMT Atlantique
Communication Dans Un Congrès Année : 2019

Learning Generalized Quasi-Geostrophic Models Using Deep Neural Numerical Models

Domaines

Océan, Atmosphère Traitement du signal et de l'image [eess.SP] Apprentissage [cs.LG] Machine Learning [stat.ML]
Fichier principal
Vignette du fichier
NeurIPS_ML4PS_2019_109.pdf (3.17 Mo) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

User Unknown  : Connectez-vous pour contacter le contributeur

https://imt-atlantique.hal.science/hal-02366600

Soumis le : samedi 16 novembre 2019-08:50:32

Dernière modification le : lundi 9 décembre 2024-03:36:04

Archivage à long terme le : lundi 17 février 2020-12:57:42

Télécharger pour visualiser

Dates et versions

hal-02366600 , version 1 (16-11-2019)

Identifiants

  • HAL Id : hal-02366600 , version 1

Citer

Redouane Lguensat, Julien Le Sommer, Sammy Metref, Emmanuel Cosme, Ronan Fablet. Learning Generalized Quasi-Geostrophic Models Using Deep Neural Numerical Models. NeurIPS 2019 : 33rd Conference on Neural Information Processing Systems, Dec 2019, Vancouver, Canada. ⟨hal-02366600⟩

Exporter

BibTeX XML-TEI Dublin Core DC Terms EndNote DataCite

Collections

IRD INSU UNIV-BREST UGA CNRS OSUG LAB-STICC_UBO ENIB LAB-STICC IGE IMT-ATLANTIQUE INEE-CNRS INSTITUT-MINES-TELECOM
67 Consultations
191 Téléchargements

Partager

More