Szczegóły publikacji
Opis bibliograficzny
Benchmarking deep learning for time series: challenges and directions / Xinyuan Huang, Geoffrey C. Fox, Sergey Serebryakov, Ankur Mohan, Paweł MORKISZ, Debojyoti Dutta // W: 2019 IEEE international conference on Big Data [Dokument elektroniczny] : Dec 9 - Dec 12, 2019, Los Angeles, CA, USA : proceedings / ed. by Chaitanya Baru, [et al.]. — Wersja do Windows. — Dane tekstowe. — [Piscataway] : IEEE, cop. 2019. — e-ISBN: 978-1-7281-0858-2. — S. 5679–5682. — Bibliogr. s. 5681–5682, Abstr. — P. Morkisz - dod. afiliacja: Nvidia, Warsaw
Autorzy (6)
- Huang Xinyuan
- Fox Geoffrey C.
- Serebryakov Sergey
- Mohan Ankur
- AGHMorkisz Paweł M.
- Dutta Debojyoti
Słowa kluczowe
Dane bibliometryczne
| ID BaDAP | 127879 |
|---|---|
| Data dodania do BaDAP | 2020-03-19 |
| Tekst źródłowy | URL |
| DOI | 10.1109/BigData47090.2019.9005496 |
| Rok publikacji | 2019 |
| Typ publikacji | materiały konferencyjne (aut.) |
| Otwarty dostęp |  |
| Wydawca | Institute of Electrical and Electronics Engineers (IEEE) |
Abstract
Deep learning for time series is an emerging area with close ties to industry, yet under represented in performance benchmarks for machine learning systems. In this paper, we present a landscape of deep learning applications applied to time series, and discuss the challenges and directions towards building a robust performance benchmark of deep learning workloads for time series data.
