Representation learning for more reproducible fMRI data analyses - Inria - Institut national de recherche en sciences et technologies du numérique
Communication Dans Un Congrès Année : 2023

Representation learning for more reproducible fMRI data analyses

Elodie Germani
Connectez-vous pour contacter l'auteur
Neuroimagerie: méthodes et applications
Large Scale Collaborative Data Mining
Elisa Fromont
Large Scale Collaborative Data Mining
Camille Maumet
Neuroimagerie: méthodes et applications
CV

Domaines

Informatique [cs]
Fichier principal
Vignette du fichier
poster_elodiegermani.pdf (2.14 Mo) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Elodie Germani  : Connectez-vous pour contacter le contributeur

https://inria.hal.science/hal-04068797

Soumis le : vendredi 14 avril 2023-10:23:15

Dernière modification le : mardi 5 novembre 2024-09:12:03

Archivage à long terme le : samedi 15 juillet 2023-18:27:38

Télécharger pour visualiser

Dates et versions

hal-04068797 , version 1 (14-04-2023)

Licence

Paternité

Identifiants

  • HAL Id : hal-04068797 , version 1

Citer

Elodie Germani, Elisa Fromont, Camille Maumet. Representation learning for more reproducible fMRI data analyses. IABM 2023 - Colloque Français d'Intelligence Artificielle en Imagerie Biomédical, Mar 2023, Paris, France. pp.1. ⟨hal-04068797⟩

Exporter

BibTeX XML-TEI Dublin Core DC Terms EndNote DataCite

Collections

UNIV-RENNES1 CNRS INRIA INSA-RENNES IRISA CENTRALESUPELEC INRIA2 UR1-MATH-STIC UR1-UFR-ISTIC UNIV-RENNES ANR UR1-MATH-NUM CYBERSCHOOL
63 Consultations
135 Téléchargements

Partager

More