Анализ сайта guywolf.org
Основное Готовность: 95%
Домен
guywolf.org
Состояние доменного имени
?
Проверяем корректность доменного имени и наличие технических проблем на уровне домена.
Домен второго уровня идеален для продвижения.
Отличный запоминающийся домен.
Ответ сервера
200 Успешный ответ
HTTP-код ответа и цепочка редиректов
?
Код 200 — страница доступна. Коды 3xx — редиректы (цепочки замедляют загрузку и размывают ссылочный вес). Коды 4xx/5xx — ошибки, поисковик не сможет проиндексировать страницу.
Сервер настроен корректно.
Цепочка редиректов:
http://guywolf.org
301 MovedPermanently
https://guywolf.org/
200 OK
Безопасность
Сайт безопасен
Использование HTTPS и SSL-сертификат
?
HTTPS — обязательный стандарт. Google и Яндекс отдают предпочтение защищённым сайтам. Отсутствие SSL или просроченный сертификат ведут к предупреждениям в браузере и снижению позиций.
Не настроен HSTS (Strict-Transport-Security) — рекомендуется включить.
На сайте работает защищенный протокол ssl и сайт открывается по https.
Ssl-сертификат действителен до 09.01.2027 2:59:59.
HTTP автоматически перенаправляется на HTTPS.
Поздравляем! Сайт не содержится в реестре РКН.
Кодировка
Кодировка символов страницы
?
Стандарт — UTF-8. Неправильная кодировка вызывает нечитаемые символы и мешает поисковику корректно распознать текст страницы.
Кодировка на странице не определена. Укажите явно кодировку документа!
Язык
Атрибут lang в HTML-теге
?
Атрибут lang (<html lang="ru">) сообщает поисковикам и браузерам, на каком языке написана страница. Помогает при ранжировании в региональном поиске.
Язык страницы не указан. Рекомендуется явно указать язык документа!
Скорость загрузки
~1,60сек
Время отклика сервера (TTFB)
?
Time To First Byte — время до получения первого байта от сервера. Норма до 200 мс. Медленный отклик ухудшает пользовательский опыт и ранжирование: Яндекс и Google учитывают скорость страниц.
Скорость загрузки сайта 1,60сек превышает 1 секунду. Желательно улучшить работу сайта!
Объем документа
72Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 72Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 0
Внешние ресурсы страницы (CSS, JS, изображения)
?
Количество и тип подключённых ресурсов влияют на скорость загрузки. Большое число запросов увеличивает время рендеринга страницы.
Ресурсы не найдены. Неужели ваш сайт на чистом html?
Серверные заголовки
Кол-во: 4
HTTP-заголовки ответа сервера
?
Заголовки сервера передают браузеру и поисковику служебную информацию: кеширование, безопасность (CSP, HSTS), сжатие (gzip). Правильная настройка ускоряет загрузку и повышает защищённость.
Найдены серверные заголовки 4шт. Подробнее про серверные заголовки.
Показать полный список серверных заголовков
| Ключ | Значение |
|---|---|
| Accept-Ranges | bytes |
| Date | Sat, 22 Aug 2026 09:17:55 GMT |
| Server | LiteSpeed |
| x-turbo-charged-by | LiteSpeed |
CMS
Не определена
Система управления сайтом (движок)
?
CMS — это движок, на котором работает сайт (WordPress, 1C-Bitrix, Tilda и др.). Знание CMS помогает понять возможности SEO-оптимизации и подобрать подходящие инструменты. «Не определена» — вероятно, самописный сайт или нестандартная сборка.
CMS не определена. Вероятно, сайт самописный либо движок надёжно скрыт. Это не ошибка.
Веб-сервер
LiteSpeed
Программное обеспечение сервера
?
Веб-сервер — это ПО, которое отдаёт страницы посетителям (nginx, Apache, IIS, LiteSpeed и др.). Определяется по серверным заголовкам ответа (Server, X-Powered-By и т.п.). «Не определён» — сервер намеренно скрывает эти заголовки, это нормальная практика безопасности.
Сайт работает на веб-сервере LiteSpeed.
Мета-теги Готовность: 17%
Title
Guy Wolf's home page
Заголовок страницы в браузере и поисковой выдаче
?
Title — главный SEO-заголовок страницы. Влияет на CTR в поиске и ранжирование. Оптимальная длина: 50–70 символов. Ключевые слова — ближе к началу.
Необходимо увеличить число символов в title (текущее значение мало: 20, минимум: 25, оптимально: от 40 до 45)
Дублей словоформ в title не найдено.
Description
Описание страницы в поисковой выдаче (сниппет)
?
Meta Description — текст под заголовком в выдаче. Напрямую на позиции не влияет, но влияет на CTR. Оптимальная длина: 120–160 символов.
Установите мета-тег description!
Keywords
Список ключевых слов страницы (устаревший тег)
?
Meta Keywords не учитывается Яндексом и Google для ранжирования с 2009–2012 годов. Заполнение не обязательно, но не вредит. Конкурент может использовать содержимое для анализа.
Установите мета-тег keywords!
Канонический Url
Указывает поисковику основную версию страницы
?
Canonical (rel=canonical) предотвращает проблему дублей страниц. Должен точно совпадать с URL проверяемой страницы. Неправильный canonical может передать ссылочный вес на другую страницу.
Рекомендуем прописать канонический Url.
Robots
Ошибок нет
Директивы для поисковых роботов на уровне страницы
?
Meta Robots управляет индексацией конкретной страницы: index/noindex — индексировать ли, follow/nofollow — следовать ли по ссылкам. Noindex полностью исключает страницу из поиска.
Meta-тег robots не указан. Страница свободна для индексации.
Адаптивность
Настройка масштабирования на мобильных устройствах
?
Тег viewport (<meta name="viewport">) сообщает браузеру, как масштабировать страницу на мобильных. Стандарт: width=device-width, initial-scale=1. Отсутствие — признак отсутствия мобильной версии.
Meta-тег viewport не указан. Страница не адаптивная.
Разметка OpenGraph
Не найдено
Мета-теги для красивых превью в соцсетях
?
OpenGraph (og:title, og:description, og:image) управляет тем, как страница выглядит при репосте в социальных сетях и мессенджерах. Отсутствие OG-тегов — невзрачный превью при шеринге.
Разметка OpenGraph не задана. Страница не оптимизирована под социальные сети. Мета-теги с разметкой Og помогают социальным роботам лучше структурировать Ваш сайт.
Все мета-теги
Кол-во: 0
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
Мета-теги не найдены. Без них роботы и устройства действуют по умолчанию (не всегда это хорошо).
Оптимизация Готовность: 67%
Структура
Ошибок нет
Семантические HTML-элементы страницы
?
Проверяет наличие основных структурных элементов: nav, header, footer, main. Корректная семантическая структура помогает поисковику понять архитектуру страницы.
Структура документа корректна (теги <html> и <body> присутствуют по одному на документ).
Контент
Есть ошибки
Объём и качество текстового содержимого
?
Анализирует объём полезного текста на странице. Слишком мало — страница может считаться малополезной. Слишком много — ухудшается читаемость и восприятие.
Слова из title 1 встречаются в тексте редко. Добавьте в контент страницы слова из тега <title>!
Абзацев с текстом 9 слишком мало. Добавьте больше абзацев с текстом (тег <p>)!
Среднее число слов в абзаце 23 достаточно.
Кол-во знаков контента 50913 на странице оптимально.
Кол-во слов 7567 на странице оптимально.
Заголовки
Ошибок нет
Иерархия заголовков H1–H6
?
H1 должен быть один и содержать ключевой запрос. H2–H6 описывают подразделы. Пропуск уровней (H1 → H3) и несколько H1 — типичные ошибки, снижающие понятность страницы для поисковика.
На странице присутствуют заголовки <h1> 1. Это прекрасно.
На странице присутствуют заголовки <h2> 5. Это хорошо.
На странице присутствуют заголовки <h3> 10.
Тошнота
9,43
Насколько одно слово доминирует в тексте
?
Классическая тошнота = √(частота самого повторяющегося слова). Норма до 7–8: текст воспринимается естественно. Выше — поисковик может счесть страницу переспамленной.
Тошнота превышает норму 5. Измените текст страницы!
Академич. тошнота
8,54%
Насколько текст перенасыщен ключевыми словами
?
Академическая тошнота = (частота слова / общее количество слов) × 100%. Показывает долю конкретного слова в тексте. Норма 5–15%.
Академическая тошнота страницы в пределах нормы.
Семантическое ядро
20
Наиболее часто встречающиеся слова на странице
?
Топ слов по частоте использования. Показывает, какие слова доминируют в тексте с точки зрения поисковика.
Контент страницы содержит осмысленный текст и слова.
Показать список слов
| Слово | Кол-во | Частота |
|---|---|---|
| learning | 89 | 1,18% |
| krishnaswamy | 76 | 1,00% |
| workshop | 50 | 0,66% |
| conference | 47 | 0,62% |
| international | 43 | 0,57% |
| neural | 43 | 0,57% |
| proceedings | 42 | 0,56% |
| networks | 38 | 0,50% |
| analysis | 34 | 0,45% |
| processing | 34 | 0,45% |
| machine | 29 | 0,38% |
| neurips | 28 | 0,37% |
| diffusion | 25 | 0,33% |
| geometric | 23 | 0,30% |
| signal | 22 | 0,29% |
| huguet | 22 | 0,29% |
| donn�es | 20 | 0,26% |
| scattering | 20 | 0,26% |
| computational | 19 | 0,25% |
| information | 19 | 0,25% |
Индексация Готовность: 0%
Индексирование
Есть ошибки
Разрешено ли индексирование страницы
?
Проверяет, не закрыта ли страница от индексации через robots.txt, meta robots или X-Robots-Tag. Страница, закрытая от индексации, не появится в поисковой выдаче.
Анкоров на странице 206 слишком много. Проведите ревизию и оптимизацию ссылок сайта.
Robots.txt
Не найден
Файл управления сканированием сайта роботами
?
Robots.txt указывает поисковым роботам, какие страницы сканировать, а какие — нет. Ошибки в файле могут случайно закрыть важные разделы от индексации.
Файл robots.txt не найден (ошибка 404). Крайне рекомендуем добавить файл robots.txt, это правило хорошего тона для поисковых роботов.
Sitemap
Кол-во: 0
XML-карта сайта для поисковиков
?
Sitemap.xml помогает поисковику быстрее находить и индексировать страницы. Особенно важен для крупных сайтов и новых страниц, на которые ещё нет входящих ссылок.
Robots.txt не содержит ссылку на карту сайта. Рекомендуется добавить карту сайта и указать ссылку на нее в robots.txt.
Внутренние ссылки
Кол-во: 1
Ссылки на другие страницы своего сайта
?
Внутренние ссылки распределяют ссылочный вес между страницами и помогают поисковику обходить сайт. Пустые анкоры и ссылки на запрещённые robots.txt страницы — типичные ошибки.
Внутренних ссылок на странице 1 оптимально.
Показать внутренние ссылки
| Url | Анкор | Состояние | Анализировать |
|---|---|---|---|
| /team/team.html |
RAFALES
|
|
Анализировать url |
Внешние ссылки
Кол-во: 204
Ссылки на сторонние сайты
?
Исходящие внешние ссылки передают часть ссылочного веса на чужие сайты. Ссылки на авторитетные ресурсы безопасны; ссылки на мусорные сайты могут навредить репутации страницы.
Внешних ссылок на странице 204 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
Показать первые 100 внешних ссылок
| Url | Анкор | Анализировать |
|---|---|---|
| dms.umontreal.ca |
D�partement de math�matiques et de statistique / Department of Mathematics and Statistics<br>
Universit� de Montr�al
|
Анализировать url |
| mila.quebec |
Mila - Institut qu�b�cois d�intelligence artificielle / Qu�bec AI Institute
|
Анализировать url |
| chumontreal.qc.ca |
Carrefour de l'innovation / Health innovation and evaluation hub
|
Анализировать url |
| chumontreal.qc.ca |
CRCHUM - Centre de recherche du CHUM / Montreal university hospital research center
|
Анализировать url |
| concordia.ca |
D�partement d�informatique et de g�nie logiciel / Department of Computer Science and Software Engineering<br>
Concordia University
|
Анализировать url |
| cifar.ca |
CIFAR Pan-Canadian AI Strategy
|
Анализировать url |
| humboldt-foundation.de |
Alexander von Humboldt Stiftung / Foundation
|
Анализировать url |
| crm.umontreal.ca |
CRM - Centre de recherches math�matiques / Center of Mathematical Research
|
Анализировать url |
| ivado.ca |
L'institut de valorisation des donn�es / The institute for data valorization
|
Анализировать url |
| causalcelldynamics.org |
Helmholtz International Labs
|
Анализировать url |
| admission.umontreal.ca |
MAT 6495 : Th�orie spectrale des graphes (spectral graph theory)
|
Анализировать url |
| admission.umontreal.ca |
STT 3795 : Fondements th�oriques en science des donn�es
|
Анализировать url |
| wolf.courses |
this link
|
Анализировать url |
| dx.doi.org |
<img height="290" width="220" alt=" " src="./media/MSPHATE-cover.jpg" align="MIDDLE">
|
Анализировать url |
| doi.org |
<img height="290" width="216" alt=" " src="./media/HGNet-edgepool.png" align="MIDDLE">
|
Анализировать url |
| papers.nips.cc |
<img height="183" width="264" alt=" " src="./media/ScatteringGCN.png" align="MIDDLE">
|
Анализировать url |
| dx.doi.org |
<img height="290" width="220" alt=" " src="./media/PHATE-cover.jpg" align="MIDDLE">
|
Анализировать url |
| proceedings.mlr.press |
<img height="82" width="258" alt=" " src="./media/GeoScat.png" align="MIDDLE">
|
Анализировать url |
| arxiv.org |
S. Cant�rk, A. Manolache, A. Mielke, C. Qian, A. Siraudin, C. Morris, M. Niepert, and G. Wolf. GraIP: A Benchmarking Framework For Neural Graph Inverse Problems. <i>Preprint (arxiv.org)</i>, arXiv:2601.18917, 2026.
|
Анализировать url |
| arxiv.org |
A. Aumon, M. Lizotte, G. Wolf, K.R. Moon, and J.S. Rhodes. Forest-Guided Semantic Transport for Label-Supervised Manifold Alignment. <i>Preprint (arxiv.org)</i>, arXiv:2602.00974, 2026.
|
Анализировать url |
| arxiv.org |
A. Aumon, G. Wolf, K.R Moon, and J.S. Rhodes. Scalable Tree Ensemble Proximities in Python. <i>Preprint (arxiv.org)</i>, arXiv:2601.02735, 2026.
|
Анализировать url |
| dx.doi.org |
G. Malagoli, P. Hanel, A. Danese, G. Wolf, and M. Colom�-Tatch�. Geometry aware graph attention networks to explain single-cell chromatin state and gene expression. <i>Preprint (biorxiv.org)</i>, DOI: 10.1101/2025.05.29.656611, 2025.
|
Анализировать url |
| arxiv.org |
S. Horoi, S. Cho, S. Chakraborty, S.-X. Zhang, S. Sahu, G. Wolf, and G.I. Winata. Leveraging Parameter Space Symmetries for Reasoning Skill Transfer in LLMs. <i>Preprint (arxiv.org)</i>, arXiv:2511.10850, 2025.
|
Анализировать url |
| arxiv.org |
P. Gawade, A. Izdebski, M. Lizotte, K.R. Moon, J.S. Rhodes, G. Wolf, and E. Szczurek. Freeze, Diffuse, Decode: Geometry-Aware Adaptation of Pretrained Transformer Embeddings for Antimicrobial Peptide Design. <i>Preprint (arxiv.org)</i>, arXiv:2511.23120, 2025.
|
Анализировать url |
| dx.doi.org |
Y. Zhang, G. Huguet, E. De Brouwer, D. Liao, O. Fasina, A. Tong, R.T.Q. Chen, G. Wolf, M. Nickel, I. Adelstein, and S. Krishnaswamy. Neural FIM: Bridging Statistical Manifolds and Generative Modeling through Fisher Geometry. <i>Preprint (techrxiv.org)</i>, DOI: 10.36227/techrxiv.176105775.53383012, 2025.
|
Анализировать url |
| dx.doi.org |
Y. Zhang, D. Martins-Gomes, C. Liu, R.R. Coifman, M. Perlmutter, G. Wolf, S. Krishnaswamy, and D. Bhaskar. BDN: Blaschke Decomposition Networks. <i>Preprint (techrxiv.org)</i>, DOI: 10.36227/techrxiv.176192897.74591053/v1, 2025.
|
Анализировать url |
| dx.doi.org |
D. Bhaskar, Y. Zhang, J. Moore, F. Gao, B. Rieck, G. Wolf, F. Khasawneh, E. Munch, J.A. Noah, H. Pushkarskaya, C. Pittenger, V. Greco, and S. Krishnaswamy. Neurospectrum: A Geometric and Topological Deep Learning Framework for Uncovering Spatiotemporal Signatures in Neural Activity. <i>Preprint (biorxiv.org)</i>, 10.1101/2023.03.22.533807, 2025.
|
Анализировать url |
| arxiv.org |
C. de Bodt, A. Diaz-Papkovich, M. Bleher, K. Bunte, C. Coupette, S. Damrich, E. Fita Sanmartin, F.A Hamprecht, E.-�. Horv�t, D. Kohli, S. Krishnaswamy, J.A. Lee, B.P.F. Lelieveldt, L. McInnes, I.T. Nabney, M. Noichl, P.G. Policar, B. Rieck, G. Wolf, G. Mishne, and D. Kobak. Low-dimensional embeddings of high-dimensional data. <i>Preprint (arxiv.org)</i>, arXiv:2508.15929, 2025.
|
Анализировать url |
| dx.doi.org |
J.S. Rhodes, A. Aumon, S. Morin, M. Girard, C. Larochelle, E. Brunet-Ratnasingham, A. Pagliuzza, L. Marchitto, W. Zhang, A. Cutler, F. Grand�Maison, A. Zhou, A. Finzi, N. Chomont, D.E. Kaufmann, S. Zandee, A. Prat, G. Wolf, and K.R. Moon. Gaining biological insights through supervised data visualization. <i>Preprint (biorxiv.org)</i>, DOI: 10.1101/2023.11.22.568384, 2024.
|
Анализировать url |
| arxiv.org |
F. Wenkel, Y. Min, M. Hirn, M. Perlmutter, and G. Wolf. Overcoming Oversmoothness in Graph Convolutional Networks via Hybrid Scattering Networks. <i>Preprint (arxiv.org)</i>, arXiv:2201.08932, 2022.
|
Анализировать url |
| dx.doi.org |
G. Malagoli, P. Hanel, A. Danese, G. Wolf, and M. Colom�-Tatch�. Geometry-aware graph attention networks to explain single-cell chromatin states and gene expression with SEAGALL. <i>Genome Biology</i>, 2026.
|
Анализировать url |
| dx.doi.org |
P. Vianna, P. Mehrbod, M. Chaudhary, M. Eickenberg, G. Wolf, E. Belilovsky, A. Tang, and G. Cloutier. Unsupervised test-time adaptation for hepatic steatosis grading using ultrasound b-mode images. <i>IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency Control</i>, 72(5):601�611, 2025.
|
Анализировать url |
| openreview.net |
B.J. Franks, M. Eliasof, S. Cant�rk, G. Wolf, C.-B. Sch�nlieb, S. Fellenz, and M. Kloft. Towards graph foundation models: A study on the generalization of positional and structural encodings. <i>Transactions on Machine Learning Research (TMLR)</i>, 2025.
|
Анализировать url |
| dx.doi.org |
V. Geadah, S. Horoi, G. Kerg, G. Wolf, and G. Lajoie. Neural networks with optimized single-neuron adaptation uncover biologically plausible regularization. <i>PLOS Computational Biology</i>, 20(12):e1012567, 2024.
|
Анализировать url |
| dx.doi.org |
Y. Qi, P. Vianna, A. Cadrin-Ch�nevert, K. Blanchet, E. Montagnon, E. Belilovsky, G. Wolf, L.-A. Mullie, G. Cloutier, M. Chass� & A. Tang. Simulating federated learning for steatosis detection using ultrasound images. <i>Scientific Reports</i>, 14:13253, 2024.
|
Анализировать url |
| dx.doi.org |
L. Hodgson, Y. Li, Y. Iturria-Medina, J.A. Stratton, G. Wolf, S. Krishnaswamy, D.A. Bennett, and D. Bzdok. Supervised latent factor modeling isolates cell-type-specific transcriptomic modules that underlie alzheimer�s disease progression. <i>Communications Biology</i>, 7:591, 2024.
|
Анализировать url |
| dx.doi.org |
E. Brunet-Ratnasingham, S. Morin, H.E. Randolph, M. Labrecque, J. B�lair, R. Lima-Barbosa, A. Pagliuzza, L. Marchitto, M. Hultstr�m, J. Niessl, R. Cloutier, A.M. Sreng Flores, N. Brassard, M. Benlarbi, J. Pr�vost, S. Ding, S.P. Anand, G. Sannier, E. Bareke, H. Zeberg, M. Lipcsey, R. Frithiof, A. Larsson, S. Zhou, T. Nakanishi, D. Morrison, D. Vezina, C. Bourassa, G. Gendron-Lepage, H. Medjahed, F. Point, J. Richard, C. Larochelle, A. Prat, J.L. Cunningham, N. Arbour, M. Durand, J.B. Richards, K. Moon, N. Chomont, A. Finzi, M. T�treault, L. Barreiro, G. Wolf, and D.E. Kaufmann. Sustained IFN signaling is associated with delayed development of SARS-CoV-2-specific immunity. <i>Nature Communications</i>, 15:4177, 2024.
|
Анализировать url |
| dx.doi.org |
A. Tong, F. Wenkel, D. Bhaskar, K. Macdonald, J. Grady, M. Perlmutter, S. Krishnaswamy, and G. Wolf. Learnable Filters for Geometric Scattering Modules. <i>IEEE Transactions on Signal Processing</i>, 72:2939-2952, 2024.
|
Анализировать url |
| openreview.net |
A. Tong, K. Fatras, N. Malkin, G. Huguet, Y. Zhang, J. Rector-Brooks, G. Wolf, and Y. Bengio. Improving and generalizing flow-based generative models with minibatch optimal transport. <i>Transactions on Machine Learning Research (TMLR)</i>, 2024.
|
Анализировать url |
| dx.doi.org |
M. Perlmutter, A. Tong, F. Gao, G. Wolf, and M. Hirn. Understanding Graph Neural Networks with Generalized Geometric Scattering Transforms. <i>SIAM Journal on Mathematics of Data Science</i>, 5(4):873-898, 2023.
|
Анализировать url |
| dx.doi.org |
P. Vianna, S.I. Calce, P. Boustros, C. Larocque-Rigney L. Patry-Beaudoin, Y.H. Luo, E. Aslan, J. Marinos, T.M. Alamri, K.N. Vu, J. Murphy-Lavall�e, J.S. Billiard, E. Montagnon, H. Li, S. Kadoury, B.N. Nguyen, S. Gauthier, B. Therien, I. Rish, E. Belilovsky, G. Wolf, M. Chass�, G. Cloutier, and A. Tang. Comparison of Radiologists and Deep Learning for US Grading of Hepatic Steatosis. <i>Radiology</i>, 309(1):e230659, 2023.
<li> <a href="https://dx.doi.org/10.1137/21M1462945" target="_blank">G. Huguet, A. Tong, B. Rieck, J. Huang, M. Kuchroo, M. Hirn, G. Wolf, and S. Krishnaswamy. Time-Inhomogeneous Diffusion Geometry and Topology. <i>SIAM Journal on Mathematics of Data Science</i>, 5(2):346-372, 2023.</a>
<li> <a href="https://dx.doi.org/10.1038/s41467-023-37025-7" target="_blank">M. Kuchroo, M. DiStasio, E. Song, E. Calapkulu, L. Zhang, M. Ige, A.H. Sheth, A. Majdoubi, M. Menon, A. Tong, A. Godavarthi, Y. Xing, S. Gigante, H. Steach, J. Huang, G. Huguet, J. Narain, K. You, G. Mourgkos, R.M. Dhodapkar, M.J. Hirn, B. Rieck, G. Wolf, S. Krishnaswamy, and B.P. Hafler. Single-cell analysis reveals inflammatory interactions driving macular degeneration. <i>Nature Communications</i>, 14:2589, 2023.</a>
<li> <a href="https://dx.doi.org/10.1038/s43588-023-00419-0" target="_blank">E.L. Busch, J. Huang, A. Benz, T. Wallenstein, G. Lajoie, G. Wolf, S. Krishnaswamy, and N.B. Turk-Browne. Multi-view manifold learning of human brain-state trajectories. <i>Nature Computational Science</i>, 3:240-253, 2023.</a>
<li> <a href="https://dx.doi.org/10.1109/TPAMI.2022.3222104" target="_blank">A.F. Duque, S. Morin, G. Wolf, and K.R. Moon. Geometry Regularized Autoencoders. <i>IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)</i>, 45(6):7381-7394, 2023.</a>
<li> <a href="https://dx.doi.org/10.1038/s41587-021-01186-x" target="_blank">M. Kuchroo, J. Huang, P. Wong, J.-C. Grenier, D. Shung, A. Tong, C. Lucas, J. Klein, D.B. Burkhardt, S. Gigante, A. Godavarthi, B. Rieck, B. Israelow, M. Simonov, T. Mao, J.E. Oh, J. Silva, T. Takahashi, C.D. Odio, A. Casanovas-Massana, J. Fournier, Yale IMPACT Team, S. Farhadian, C.S. Dela Cruz, A.I. Ko, M.J. Hirn, F.P. Wilson, J.G. Hussin, G. Wolf, A. Iwasaki, and S. Krishnaswamy. Multiscale PHATE identifies multimodal signatures of COVID-19. <i>Nature Biotechnology</i>, 40(5):681-691, 2022.</a>
<li> <a href="https://dx.doi.org/10.3389/fmed.2022.826746" target="_blank">F. Mostefai, I. Gamache, A. N'Guessan, J. Pelletier, J. Huang, C.L. Murall, A. Pesaranghader, V. Gaonac'h-Lovejoy, D.J. Hamelin, R. Poujol, J.-C. Grenier, M. Smith, E. Caron, M. Craig, G. Wolf, S. Krishnaswamy, B.J. Shapiro, and J.G. Hussin. Population Genomics Approaches for Genetic Characterization of SARS-CoV-2 Lineages. <i>Frontiers in Medicine</i>, 9, 2022.</a>
<li> <a href="https://dx.doi.org/10.1371/journal.pone.0260714" target="_blank">B. Par�, M. Rozendaal, S. Morin, L. Kaufmann, S.M. Simpson, R. Poujol, F. Mostefai, J.-C. Grenier, H. Xing, M. Sanchez, A. Yechouron, R. Racette, J.G. Hussin, G. Wolf, I. Pavlov, and M.A. Smith. Patient health records and whole viral genomes from an early SARS-CoV-2 outbreak in a Quebec hospital reveal features associated with favorable outcomes. <i>PLoS ONE</i>, 16(12):e0260714, 2021.</a>
<li> <a href="https://dx.doi.org/10.1007/s11265-021-01715-6" target="_blank">A. Tong, G. Wolf, and S. Krishnaswamy. Fixing Bias in Reconstruction-based Anomaly Detection with Lipschitz Discriminators. <i>Journal of Signal Processing Systems</i>, DOI: 10.1007/s11265-021-01715-6, 2021.</a>
<li> <a href="https://dx.doi.org/10.1038/s41586-020-03169-5" target="_blank">M.W. Moyle, K.M. Barnes, M. Kuchroo, A. Gonopolskiy, L.H. Duncan, T. Sengupta, L. Shao, M. Guo, A. Santella, R. Christensen, A. Kumar, Y. Wu, K.R. Moon, G. Wolf, S. Krishnaswamy, Z. Bao, H. Shroff, W. Mohler, and D.A. Col�n-Ramos. Structural and developmental principles of neuropil assembly in C. elegans. <i>Nature</i>, 591:99-104, 2021.</a>
<li> <a href="https://dx.doi.org/10.1038/s41587-020-00803-5" target="_blank"> D.B. Burkhardt, J.S. Stanley III, A. Tong, A.L. Perdigoto, S.A. Gigante, K.C. Herold, G. Wolf, A.J. Giraldez, D. van Dijk, and S. Krishnaswamy. Quantifying the effect of experimental perturbations at single-cell resolution. <i>Nature Biotechnology</i>, 39(5):619-629, 2021.</a>
<li> <a href="https://dx.doi.org/10.1038/s41592-019-0689-z" target="_blank"> W.S. Chen, N. Zivanovic, D. van Dijk, G. Wolf, B. Bodenmiller, and S. Krishnaswamy. Uncovering axes of variation among single-cell cancer specimens. <i>Nature Methods</i>, 17:302-310, 2020.</a>
<li> <a href="https://dx.doi.org/10.1038/s41587-019-0336-3" target="_blank"> K.R. Moon, D. van Dijk, Z. Wang, S. Gigante, D.B. Burkhardt, W.S. Chen, K. Yim, A. van den Elzen, M.J. Hirn, R.R. Coifman, N.B. Ivanova, G. Wolf, and S. Krishnaswamy. Visualizing Structure and Transitions in High-Dimensional Biological Data. <i>Nature Biotechnology</i>, 37(12):1482-1492, 2019.</a>
<li> <a href="https://dx.doi.org/10.1038/s41592-019-0576-7" target="_blank"> M. Amodio, D. van Dijk, K. Srinivasan, W.S. Chen, H. Mohsen, K.R. Moon, A. Campbell, Y. Zhao, X. Wang, M. Venkataswamy, A. Desai, V. Ravi, P. Kumar, R. Montgomery, G. Wolf, and S. Krishnaswamy. Exploring Single-Cell Data with Deep Multitasking Neural Networks. <i>Nature Methods</i>, 16:1139�1145, 2019.</a>
<li> <a href="https://dx.doi.org/10.1016/j.cell.2018.05.061" target="_blank"> D. van Dijk, R. Sharma, J. Nainys, K. Yim, P. Kathail, A.J. Carr, C. Burdziak, K.R. Moon, C.L. Chaffer, D. Pattabiraman, B. Bierie, L. Mazutis, G. Wolf, S. Krishnaswamy, and D. Pe�er. Recovering Gene Interactions from Single-Cell Data Using Data Diffusion. <i>Cell</i>, 174(3):716-729.e27, 2018.</a>
<li> <a href="https://dx.doi.org/10.1016/j.acha.2016.10.003" target="_blank"> M. Salhov, A. Bermanis, G.Wolf, and A. Averbuch. Diffusion Representations. <i>Applied and Computational Harmonic Analysis</i>, 45(2):324-340, 2018.</a>
<li> <a href="https://dx.doi.org/10.1016/j.acha.2015.07.005" target="_blank"> A. Bermanis, G. Wolf, and A. Averbuch. Diffusion-based kernel methods on Euclidean metric measure spaces. <i>Applied and Computational Harmonic Analysis</i>, 41(1):190-213, 2016.</a>
<li> <a href="https://dx.doi.org/10.1007/s10994-015-5538-4" target="_blank"> M. Salhov, A. Bermanis, G.Wolf, and A. Averbuch. Learning from patches by efficient spectral decomposition of a structured kernel. <i>Machine Learning</i>, 103(1):81-102, 2016.</a>
<li> <a href="https://dx.doi.org/10.1016/j.acha.2015.02.001" target="_blank"> A. Bermanis, M. Salhov, G. Wolf, and A. Averbuch. Measure-based diffusion grid construction and high-dimensional data discretization. <i>Applied and Computational Harmonic Analysis</i>, 40(2):207-228, 2016.</a>
<li> <a href="https://dx.doi.org/10.1109/TSP.2015.2508787" target="_blank"> G. Wolf, S. Mallat, and S. Shamma. Rigid motion model for audio source separation. <i>IEEE Transactions on Signal Processing</i>, 64(7):1822-1831, 2016.</a>
<li> <a href="https://dx.doi.org/10.1016/j.acha.2014.05.002" target="_blank"> M. Salhov, A. Bermanis, G. Wolf, and A. Averbuch. Approximately-isometric diffusion maps. <i>Applied and Computational Harmonic Analysis</i>, 38(3):399-419, 2015.</a>
<li> <a href="https://dx.doi.org/10.1016/j.acha.2013.05.004" target="_blank"> A. Bermanis, G. Wolf, and A. Averbuch. Cover-based bounds on the numerical rank of Gaussian kernels. <i>Applied and Computational Harmonic Analysis</i>, 36(2):302-315, 2014.</a>
<li> <a href="https://dx.doi.org/10.1016/j.acha.2012.03.003" target="_blank"> G. Wolf and A. Averbuch. Linear-projection diffusion on smooth Euclidean submanifolds. <i>Applied and Computational Harmonic Analysis</i>, 34(1):1-14, 2013.</a>
<li> <a href="https://dx.doi.org/10.1016/j.acha.2012.02.004" target="_blank"> G. Wolf, A. Rotbart, G. David, and A. Averbuch. Coarse-grained localized diffusion. <i>Applied and Computational Harmonic Analysis</i>, 33(3):388-400, 2012.</a>
<li> <a href="https://dx.doi.org/10.1016/j.laa.2012.04.035" target="_blank"> Y. Shmueli, G. Wolf, and A. Averbuch. Updating kernel methods in spectral decomposition by affinity perturbations. <i>Linear Algebra and its Applications</i>, 437(6):1356-1365, 2012.</a>
<li> <a href="https://dx.doi.org/10.1016/j.acha.2011.11.003" target="_blank"> M. Salhov, G. Wolf, and A. Averbuch. Patch-to-tensor embedding. <i>Applied and Computational Harmonic Analysis</i>, 33(2):182-203, 2012. </a>
</li>
|
Анализировать url |
| dx.doi.org |
G. Huguet, A. Tong, B. Rieck, J. Huang, M. Kuchroo, M. Hirn, G. Wolf, and S. Krishnaswamy. Time-Inhomogeneous Diffusion Geometry and Topology. <i>SIAM Journal on Mathematics of Data Science</i>, 5(2):346-372, 2023.
|
Анализировать url |
| dx.doi.org |
M. Kuchroo, M. DiStasio, E. Song, E. Calapkulu, L. Zhang, M. Ige, A.H. Sheth, A. Majdoubi, M. Menon, A. Tong, A. Godavarthi, Y. Xing, S. Gigante, H. Steach, J. Huang, G. Huguet, J. Narain, K. You, G. Mourgkos, R.M. Dhodapkar, M.J. Hirn, B. Rieck, G. Wolf, S. Krishnaswamy, and B.P. Hafler. Single-cell analysis reveals inflammatory interactions driving macular degeneration. <i>Nature Communications</i>, 14:2589, 2023.
|
Анализировать url |
| dx.doi.org |
E.L. Busch, J. Huang, A. Benz, T. Wallenstein, G. Lajoie, G. Wolf, S. Krishnaswamy, and N.B. Turk-Browne. Multi-view manifold learning of human brain-state trajectories. <i>Nature Computational Science</i>, 3:240-253, 2023.
|
Анализировать url |
| dx.doi.org |
A.F. Duque, S. Morin, G. Wolf, and K.R. Moon. Geometry Regularized Autoencoders. <i>IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)</i>, 45(6):7381-7394, 2023.
|
Анализировать url |
| dx.doi.org |
M. Kuchroo, J. Huang, P. Wong, J.-C. Grenier, D. Shung, A. Tong, C. Lucas, J. Klein, D.B. Burkhardt, S. Gigante, A. Godavarthi, B. Rieck, B. Israelow, M. Simonov, T. Mao, J.E. Oh, J. Silva, T. Takahashi, C.D. Odio, A. Casanovas-Massana, J. Fournier, Yale IMPACT Team, S. Farhadian, C.S. Dela Cruz, A.I. Ko, M.J. Hirn, F.P. Wilson, J.G. Hussin, G. Wolf, A. Iwasaki, and S. Krishnaswamy. Multiscale PHATE identifies multimodal signatures of COVID-19. <i>Nature Biotechnology</i>, 40(5):681-691, 2022.
|
Анализировать url |
| dx.doi.org |
F. Mostefai, I. Gamache, A. N'Guessan, J. Pelletier, J. Huang, C.L. Murall, A. Pesaranghader, V. Gaonac'h-Lovejoy, D.J. Hamelin, R. Poujol, J.-C. Grenier, M. Smith, E. Caron, M. Craig, G. Wolf, S. Krishnaswamy, B.J. Shapiro, and J.G. Hussin. Population Genomics Approaches for Genetic Characterization of SARS-CoV-2 Lineages. <i>Frontiers in Medicine</i>, 9, 2022.
|
Анализировать url |
| dx.doi.org |
B. Par�, M. Rozendaal, S. Morin, L. Kaufmann, S.M. Simpson, R. Poujol, F. Mostefai, J.-C. Grenier, H. Xing, M. Sanchez, A. Yechouron, R. Racette, J.G. Hussin, G. Wolf, I. Pavlov, and M.A. Smith. Patient health records and whole viral genomes from an early SARS-CoV-2 outbreak in a Quebec hospital reveal features associated with favorable outcomes. <i>PLoS ONE</i>, 16(12):e0260714, 2021.
|
Анализировать url |
| dx.doi.org |
A. Tong, G. Wolf, and S. Krishnaswamy. Fixing Bias in Reconstruction-based Anomaly Detection with Lipschitz Discriminators. <i>Journal of Signal Processing Systems</i>, DOI: 10.1007/s11265-021-01715-6, 2021.
|
Анализировать url |
| dx.doi.org |
M.W. Moyle, K.M. Barnes, M. Kuchroo, A. Gonopolskiy, L.H. Duncan, T. Sengupta, L. Shao, M. Guo, A. Santella, R. Christensen, A. Kumar, Y. Wu, K.R. Moon, G. Wolf, S. Krishnaswamy, Z. Bao, H. Shroff, W. Mohler, and D.A. Col�n-Ramos. Structural and developmental principles of neuropil assembly in C. elegans. <i>Nature</i>, 591:99-104, 2021.
|
Анализировать url |
| dx.doi.org |
D.B. Burkhardt, J.S. Stanley III, A. Tong, A.L. Perdigoto, S.A. Gigante, K.C. Herold, G. Wolf, A.J. Giraldez, D. van Dijk, and S. Krishnaswamy. Quantifying the effect of experimental perturbations at single-cell resolution. <i>Nature Biotechnology</i>, 39(5):619-629, 2021.
|
Анализировать url |
| dx.doi.org |
W.S. Chen, N. Zivanovic, D. van Dijk, G. Wolf, B. Bodenmiller, and S. Krishnaswamy. Uncovering axes of variation among single-cell cancer specimens. <i>Nature Methods</i>, 17:302-310, 2020.
|
Анализировать url |
| dx.doi.org |
K.R. Moon, D. van Dijk, Z. Wang, S. Gigante, D.B. Burkhardt, W.S. Chen, K. Yim, A. van den Elzen, M.J. Hirn, R.R. Coifman, N.B. Ivanova, G. Wolf, and S. Krishnaswamy. Visualizing Structure and Transitions in High-Dimensional Biological Data. <i>Nature Biotechnology</i>, 37(12):1482-1492, 2019.
|
Анализировать url |
| dx.doi.org |
M. Amodio, D. van Dijk, K. Srinivasan, W.S. Chen, H. Mohsen, K.R. Moon, A. Campbell, Y. Zhao, X. Wang, M. Venkataswamy, A. Desai, V. Ravi, P. Kumar, R. Montgomery, G. Wolf, and S. Krishnaswamy. Exploring Single-Cell Data with Deep Multitasking Neural Networks. <i>Nature Methods</i>, 16:1139�1145, 2019.
|
Анализировать url |
| dx.doi.org |
D. van Dijk, R. Sharma, J. Nainys, K. Yim, P. Kathail, A.J. Carr, C. Burdziak, K.R. Moon, C.L. Chaffer, D. Pattabiraman, B. Bierie, L. Mazutis, G. Wolf, S. Krishnaswamy, and D. Pe�er. Recovering Gene Interactions from Single-Cell Data Using Data Diffusion. <i>Cell</i>, 174(3):716-729.e27, 2018.
|
Анализировать url |
| dx.doi.org |
M. Salhov, A. Bermanis, G.Wolf, and A. Averbuch. Diffusion Representations. <i>Applied and Computational Harmonic Analysis</i>, 45(2):324-340, 2018.
|
Анализировать url |
| dx.doi.org |
A. Bermanis, G. Wolf, and A. Averbuch. Diffusion-based kernel methods on Euclidean metric measure spaces. <i>Applied and Computational Harmonic Analysis</i>, 41(1):190-213, 2016.
|
Анализировать url |
| dx.doi.org |
M. Salhov, A. Bermanis, G.Wolf, and A. Averbuch. Learning from patches by efficient spectral decomposition of a structured kernel. <i>Machine Learning</i>, 103(1):81-102, 2016.
|
Анализировать url |
| dx.doi.org |
A. Bermanis, M. Salhov, G. Wolf, and A. Averbuch. Measure-based diffusion grid construction and high-dimensional data discretization. <i>Applied and Computational Harmonic Analysis</i>, 40(2):207-228, 2016.
|
Анализировать url |
| dx.doi.org |
G. Wolf, S. Mallat, and S. Shamma. Rigid motion model for audio source separation. <i>IEEE Transactions on Signal Processing</i>, 64(7):1822-1831, 2016.
|
Анализировать url |
| dx.doi.org |
M. Salhov, A. Bermanis, G. Wolf, and A. Averbuch. Approximately-isometric diffusion maps. <i>Applied and Computational Harmonic Analysis</i>, 38(3):399-419, 2015.
|
Анализировать url |
| dx.doi.org |
A. Bermanis, G. Wolf, and A. Averbuch. Cover-based bounds on the numerical rank of Gaussian kernels. <i>Applied and Computational Harmonic Analysis</i>, 36(2):302-315, 2014.
|
Анализировать url |
| dx.doi.org |
G. Wolf and A. Averbuch. Linear-projection diffusion on smooth Euclidean submanifolds. <i>Applied and Computational Harmonic Analysis</i>, 34(1):1-14, 2013.
|
Анализировать url |
| dx.doi.org |
G. Wolf, A. Rotbart, G. David, and A. Averbuch. Coarse-grained localized diffusion. <i>Applied and Computational Harmonic Analysis</i>, 33(3):388-400, 2012.
|
Анализировать url |
| dx.doi.org |
Y. Shmueli, G. Wolf, and A. Averbuch. Updating kernel methods in spectral decomposition by affinity perturbations. <i>Linear Algebra and its Applications</i>, 437(6):1356-1365, 2012.
|
Анализировать url |
| dx.doi.org |
M. Salhov, G. Wolf, and A. Averbuch. Patch-to-tensor embedding. <i>Applied and Computational Harmonic Analysis</i>, 33(2):182-203, 2012.
|
Анализировать url |
| openreview.net |
P. Mehrbod, P. Vianna, G. Nanfack, G. Wolf, and E. Belilovsky. Test Time Adaptation Using Adaptive Quantile Recalibration. In <i> the 2026 IEEE/CVF Winter Conference on Applications of Computer Vision (WACV 2026)</i>, 2026.
|
Анализировать url |
| openreview.net |
K. Limbeck, L. Mezrag, G. Wolf, and B. Rieck. Geometry-Aware Edge Pooling for Graph Neural Networks. In <i>Advances Neural Information Processing Systems 38 (NeurIPS 2025)</i>, 2025.
|
Анализировать url |
| openreview.net |
A. Aumon, S. Ni, M. Lizotte, G. Wolf, K.R. Moon, and J.S. Rhodes. Random Forest Autoencoders for Guided Representation Learning. In <i>Advances Neural Information Processing Systems 38 (NeurIPS 2025)</i>, 2025.
|
Анализировать url |
| openreview.net |
R. Yadav, Q. Yan, G. Wolf, A.J. Bose, and R. Liao. RETRO SYNFLOW: Discrete Flow Matching for Accurate and Diverse Single-Step Retrosynthesis. In <i>Advances Neural Information Processing Systems 38 (NeurIPS 2025)</i>, 2025.
|
Анализировать url |
| openreview.net |
D. Bhaskar, X. Sun, Y. Zhang, C. Xu, A. Afrasiyabi, S. Viswanath, O. Fasina, G. Wolf, M. Perlmutter, and S. Krishnaswamy. DYMAG: Rethinking Message Passing Using Dynamical-systems-based Waveforms. In <i>TAG-DS 2025 : Topology, Algebra, and Geometry in Data Science</i>, 2025.
|
Анализировать url |
| doi.org |
H. Chen, A.F. Duque, G. Wolf, and K.R. Moon. Data visualization using functional data analysis. In <i>Proceedings of the 15th international conference on Sampling Theory and Applications (SampTA 2025)</i>, 2025.
<li> <a href="https://openreview.net/forum?id=puTxuiK2qO" target="_blank">D. Martins Gomes, Y. Zhang, E. Belilovsky, G. Wolf, and M.S. Hosseini. AdaFisher: Adaptive second order optimization via fisher information. In <i>the Thirteenth International Conference on Learning Representations (ICLR 2025)</i>, 2025.</a>
<li> <a href="https://proceedings.mlr.press/v258/sun25c.html" target="_blank">X. Sun, D. Liao, K. Macdonald, Y. Zhang, G. Huguet, G. Wolf, I.Adelstein, T.G.J. Rudner, and S. Krishnaswamy. Geometry-aware generative autoencoder for warped Riemannian metric learning and generative modeling on data manifolds. In <i>Proceedings of the 28th International Conference on Artificial Intelligence and Statistics (AISTATS 2025)</i>, Phuket, Thailand; <i>PMLR</i> 258:1018-1026, 2025.</a>
<li> <a href="https://doi.org/10.1109/ICASSP49660.2025.10888433" target="_blank">Y. Zhang, L. Mezrag, X. Sun, C. Xu, K. Macdonald, D. Bhaskar, S. Krishnaswamy, G. Wolf, and B. Rieck. Principal curvatures estimation with applications to single cell data. In <i>Proceedings of the 2025 IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP 2025)</i>, 2025.</a>
<li> <a href="https://proceedings.mlr.press/v269/wenkel25a.html" target="_blank">F. Wenkel, S. Cant�rk, S. Horoi, M. Perlmutter, and G. Wolf. Towards a general recipe for combinatorial optimization With multi-filter GNNs, <i>Proceedings of the Third Learning on Graphs Conference Learning on Graphs (LOG 2024)</i>, 2024.</a>
<li> <a href="https://doi.org/10.1109/BigData62323.2024.10825577" target="_blank">A. Orozco Camacho, S. Horoi, G. Wolf, and E. Belilovsky. Non-uniform parameter-wise model merging. In <i>Proceedings of the 2024 IEEE International Conference on Big Data (BigData 2024)</i>, pages 5946�5954, 2024.</a>
<li> <a href="https://proceedings.neurips.cc/paper_files/paper/2024/hash/2e68b2367d2e0bc8dd6f0ff86e07c2eb-Abstract-Datasets_and_Benchmarks_Track.html" target="_blank">C. Hua, B. Zhong, S. Luan, L. Hong, G. Wolf, D. Precup, and S. Zheng. ReactZyme: A benchmark for enzyme-reaction prediction. In <i>Advances Neural Information Processing Systems 37 (NeurIPS 2024)</i>, 2024.</a>
<li> <a href="https://dx.doi.org/10.1109/MLSP58920.2024.10734764" target="_blank">S. Ni, A. Aumon, G. Wolf, K.R. Moon, and J.S. Rhodes. Enhancing Supervised Visualization through Autoencoder and Random Forest Proximities for Out-of-Sample Extension. In <i>Proceedings of the 34th IEEE International Workshop on Machine Learning for Signal Processing (MLSP 2024)</i>, London, UK, pp. 1-6, 2024.</a>
<li> <a href="https://proceedings.mlr.press/v235/horoi24a.html" target="_blank">S. Horoi, A. Orozco Camacho, E. Belilovsky, and G. Wolf. Harmony in diversity: Merging neural networks with canonical correlation analysis. In <i>Proceedings of the 41st International Conference on Machine Learning (ICML 2024)</i>, Vienna, Austria; <i>PMLR</i>, 235:18815-18832, 2024.</a>
<li> <a href="https://proceedings.mlr.press/v235/canturk24a.html" target="_blank">S. Cant�rk, R. Liu, O. Lapointe-Gagn�, V. L�tourneau, G. Wolf, D. Beaini, and L. Ramp�ek. Graph positional and structural encoder. In <i>Proceedings of the 41st International Conference on Machine Learning (ICML 2024)</i>, Vienna, Austria; <i>PMLR</i>, 235:5533-5566, 2024.</a>
<li> <a href="https://drive.google.com/file/d/10vupBF3j4G3HVtFMKu90mc6pDg1Mv71Z/view" target="_blank">P. Vianna, M. Chaudhary, P. Mehrbod, A. Tang, G. Cloutier, G. Wolf, M. Eickenberg, and E. Belilovsky. Channel-selective normalization for label-shift robust test-time adaptation. In <i>Proceedings of the Third Conference on Lifelong Learning Agents (CoLLAs 2024)</i>, Pisa, Italy, 2024.</a>
<li> <a href="https://openreview.net/pdf?id=Zc2aIcucwc" target="_blank">D. Beaini, S. Huang, J.A. Cunha, G. Moisescu-Pareja, O. Dymov, S. Maddrell-Mander, C. McLean, F. Wenkel, L. M�ller, J.H. Mohamud, A. Parviz, M. Craig, M. Koziarski, J. Lu, Z. Zhu, C. Gabellini, K. Klaser, J. Dean, C. Wognum, M. Sypetkowski, G. Rabusseau, R. Rabbany, J. Tang, C. Morris, I. Koutis, M. Ravanelli, G. Wolf, P. Tossou, H. Mary, T. Bois, A. Fitzgibbon, B. Banaszewski, C. Martin, and D. Masters. Towards foundational models for molecular learning on large-scale multi-task datasets. In <i>Proceedings of the Twelfth International Conference on Learning Representations (ICLR 2024)</i>, Vienna, Austria, 2024.</a>
<li> <a href="https://proceedings.mlr.press/v238/y-tong24a.html" target="_blank">A. Tong, N. Malkin, K. Fatras, L. Atanackovic, Y. Zhang, G. Huguet, G. Wolf, and Y. Bengio. Simulation-free schr�dinger bridges via score and flow matching. In <i>Proceedings of the 27th International Conference on Artificial Intelligence and Statistics (AISTATS 2024)</i>, Valencia, Spain; <i>PMLR</i>, 238:1279-1287, 2024.</a>
<li> <a href="https://doi.org/10.1109/CISS59072.2024.10480166" target="_blank"> D. Liao, C. Liu, B.W. Christensen, A. Tong, G. Huguet, G. Wolf, M. Nickel, I.Adelstein, and S. Krishnaswamy. Assessing neural network representations during training using data diffusion spectra. In <i>Proceedings of the 58th Annual Conference on Information Sciences and Systems (CISS 2024)</i>, Princeton, NJ, USA, pp. 1-6, 2024.</a>
<li> <a href="https://proceedings.mlr.press/v231/bhaskar24a.html" target="_blank">D. Bhaskar, D.S. Magruder, M. Morales, E. De Brouwer, A. Venkat, F. Wenkel, J. Noonan, G. Wolf, N. Ivanova, and S. Krishnaswamy. Inferring dynamic regulatory interaction graphs from time series data with perturbations. <i>Proceedings of the Second Learning on Graphs Conference (LoG 2023)</i>, Virtual Event; <i>PMLR</i> 231:22.1-22.21, 2024.</a>
<li> <a href="https://openreview.net/pdf?id=HNd4qTJxkW" target="_blank">G. Huguet, A. Tong, E. De Brouwer, Y. Zhang, G. Wolf, I. Adelstein, and S. Krishnaswamy. A Heat Diffusion Perspective on Geodesic Preserving Dimensionality Reduction. In <i>Advances in Neural Information Processing Systems 36 (NeurIPS 2023)</i>, New Orleans, LA, USA, 2023.</a>
<li> <a href="https://dx.doi.org/10.1109/MLSP55844.2023.10285995" target="_blank">G. Huguet, A. Tong, M.R. Zapatero, C.J. Tape, G. Wolf, and S. Krishnaswamy. Geodesic Sinkhorn for fast and accurate optimal transport on manifolds. In <i>Proceedings of the 2023 IEEE International Workshop on Machine Learning for Signal Processing (MLSP)</i>, Rome, Italy, pp. 1-6, 2023.</a>
<li> <a href="https://proceedings.mlr.press/v202/fasina23a.html" target="_blank">O. Fasina, G. Huguet, A. Tong, Y. Zhang, G. Wolf, M. Nickel, I. Adelstein, and S. Krishnaswamy. Neural FIM for learning Fisher information metrics from point cloud data. In <i>Proceedings of the 40th International Conference on Machine Learning (ICML 2023)</i>, Honolulu, HI, USA; <i>PMLR</i>, 202:9814-9826, 2023.</a>
<li> <a href="https://openreview.net/forum?id=IoZlHHVvlsD" target="_blank">A.F. Duque, M. Lizotte, G. Wolf, and K.R. Moon. Manifold Alignment with Label Information. In <i>The 14th international conference on Sampling Theory and Applications (SampTA 2023)</i>, New Haven, CT, USA, 2023.</a>
<li> <a href="https://openreview.net/forum?id=8tPr-B1n6hn" target="_blank">D. Eddington, A.F. Duque, G. Wolf, and K.R. Moon. Data Imputation with an Autoencoder and MAGIC. In <i>The 14th international conference on Sampling Theory and Applications (SampTA 2023)</i>, New Haven, CT, USA, 2023.</a>
<li> <a href="https://openreview.net/forum?id=h4N76YXNXPv" target="_blank">S. Leone, A. Venkat, A. Tong, G. Huguet, G. Wolf, and S. Krishnaswamy. Graph Fourier MMD for Signals on Graphs. In <i>The 14th international conference on Sampling Theory and Applications (SampTA 2023)</i>, New Haven, CT, USA, 2023.</a>
<li> <a href="https://dx.doi.org/10.1007/978-3-031-33271-5_15" target="_blank">M. Elaraby, G. Wolf, and M. Carvalho. OAMIP: Optimizing ANN Architectures using Mixed-Integer Programming. In <i>Proceedings of the 20th International Conference on the Integration of Constraint Programming, Artificial Intelligence, and Operations Research (CPAIOR 2023)</i>, Nice, France, volume 13884 of <i>LNCS</i>, pp. 219�237, 2023.</a>
<li> <a href="https://openreview.net/forum?id=8HRvyxc606" target="_blank">M. Davari, S. Horoi, A. Natik, G. Lajoie, G. Wolf, and E. Belilovsky. Reliability of CKA as a Similarity Measure in Deep Learning. In <i>the Eleventh International Conference on Learning Representations (ICLR 2023)</i>, Kigali, Rwanda, 2023.</a>
<li> <a href="https://dx.doi.org/10.1007/978-3-031-30047-9_10" target="_blank">A.F. Duque, G. Wolf, and K.R. Moon. Diffusion Transport Alignment. In <i>Advances in Intelligent Data Analysis XXI (IDA 2023)</i>, Louvain-la-Neuve, Belgium, volume 13876 of <i>LNCS</i>, pp. 116-129, 2023.</a>
<li> <a href="https://proceedings.mlr.press/v198/liu22a.html" target="_blank">R. Liu, S. Cant�rk, F. Wenkel, S. McGuire, X. Wang, A. Little, L. O'Bray, M. Perlmutter, B. Rieck, M. Hirn, G. Wolf, L. Ramp�ek. Taxonomy of Benchmarks in Graph Representation Learning. In <i>Proceedings of the First Learning on Graphs Conference (LoG 2022)</i>, Virtual Event; <i>PMLR</i>, 198:6.1-6.25, 2022.</a>
<li> <a href="https://papers.nips.cc/paper_files/paper/2022/hash/8ec88961d36d9a87ac24baf45402744f-Abstract-Conference.html" target="_blank">Y. Min, F. Wenkel, M. Perlmutter, and G. Wolf. Can Hybrid Geometric Scattering Networks Help Solve the Maximum Clique Problem? In <i>Advances in Neural Information Processing Systems 35 (NeurIPS 2022)</i>, New Orleans, LA, USA, pp. 22713-22724,2022.</a>
<li> <a href="https://papers.nips.cc/paper_files/paper/2022/hash/bfc03f077688d8885c0a9389d77616d0-Abstract-Conference.html" target="_blank">G. Huguet, D.S. Magruder, A. Tong, O. Fasina, M. Kuchroo, G. Wolf, and S. Krishnaswamy. Manifold Interpolating Optimal-Transport Flows for Trajectory Inference. In <i>Advances in Neural Information Processing Systems 35 (NeurIPS 2022)</i>, New Orleans, LA, USA, pp. 29705-29718,2022.</a>
<li> <a href="https://papers.nips.cc/paper_files/paper/2022/hash/5d4834a159f1547b267a05a4e2b7cf5e-Abstract-Conference.html" target="_blank">L. Rampasek, M. Galkin, V.P. Dwivedi, A.T. Luu, G. Wolf, and D. Beaini. Recipe for a General, Powerful, Scalable Graph Transformer. In <i>Advances in Neural Information Processing Systems 35 (NeurIPS 2022)</i>, New Orleans, LA, USA, pp. 14501-14515,2022.</a>
<li> <a href="https://papers.nips.cc/paper_files/paper/2022/hash/8c3c666820ea055a77726d66fc7d447f-Abstract-Datasets_and_Benchmarks.html" target="_blank">V.P. Dwivedi, L. Rampasek, M. Galkin, A. Parviz, G. Wolf, A.T. Luu, and D. Beaini. Long Range Graph Benchmark. In <i>Advances in Neural Information Processing Systems 35 (NeurIPS 2022)</i>, New Orleans, LA, USA, pp. 22326-22340,2022.</a>
<li> <a href="https://dx.doi.org/10.1109/MLSP55214.2022.9943383" target="_blank">J. Huang, E.L. Busch, T. Wallenstein, M. Gerasimiuk, A. Benz, G. Lajoie, G. Wolf, N.B. Turk-Browne, and S. Krishnaswamy. Learning shared neural manifolds from multi-subject fMRI data. In <i>Proceedings of the 2022 IEEE International Workshop on Machine Learning for Signal Processing (MLSP)</i>, pp. 1-6, 2022.</a>
<li> <a href="https://openaccess.thecvf.com/content/CVPR2022/html/Gauthier_Parametric_Scattering_Networks_CVPR_2022_paper.html" target="_blank">S. Gauthier, B. Th�rien, L. Als�ne-Racicot, M. Chaudhary, I. Rish, E. Belilovsky, M. Eickenberg, G. Wolf. Parametric Scattering Networks. In <i>Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR 2022)</i>, New Orleans, Louisiana, pp. 5749-5578, 2022.</a>
<li> <a href="https://dx.doi.org/10.1109/ICASSP43922.2022.9746556" target="_blank">A. Tong, G. Huguet, D. Shung, A. Natik, M. Kuchroo, G. Lajoie, G. Wolf, and S. Krishnaswamy. Embedding Signals on Graphs with Unbalanced Diffusion Earth Mover�s Distance. In <i>Proceedings of the 2022 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP 2022)</i>, Singapore, pp. 5647-5651, 2022.</a>
<li> <a href="https://dx.doi.org/10.1007/978-3-031-01333-1_14" target="_blank">S. Horoi, J. Huang, B. Rieck, G. Lajoie, G. Wolf, and S. Krishnaswamy. Exploring the Geometry and Topology of Neural Network Loss Landscapes. In <i>Advances in Intelligent Data Analysis XX (IDA 2022)</i>, Rennes, France, volume 13205 of <i>LNCS</i>, pp. 171-184, 2022.</a>
<li> <a href="https://dx.doi.org/10.1109/BigData52589.2021.9672045" target="_blank">M. Gerasimiuk, D. Shung, A. Tong, A. Stanley, M. Schultz, J. Ngu, L. Laine, G. Wolf, and S. Krishnaswamy. MURAL: An Unsupervised Random Forest-Based Embedding for Electronic Health Record Data. In <i>Proceedings of the 2021 IEEE International Conference on Big Data</i>, pp. 4694-4704, 2021.</a>
<li> <a href="https://dx.doi.org/10.1109/MLSP52302.2021.9596069" target="_blank">L. Ramp�ek and G. Wolf. Hierarchical graph neural nets can capture long-range interactions. In <i>Proceedings of the 2021 IEEE International Workshop on Machine Learning for Signal Processing (MLSP)</i>, pp. 1-6, 2021.</a>
<li> <a href="https://dx.doi.org/10.1109/MLSP52302.2021.9596214" target="_blank">M. Kuchroo, A. Godavarthi, G. Wolf, and S. Krishnaswamy. Multimodal data visualization and denoising with integrated diffusion. In <i>Proceedings of the 2021 IEEE International Workshop on Machine Learning for Signal Processing (MLSP)</i>, pp. 1-6, 2021.</a>
<li> <a href="https://dx.doi.org/10.1109/MLSP52302.2021.9596169" target="_blank">A. Tong, F. Wenkel, K. Macdonald, S. Krishnaswamy, and G. Wolf. Data-driven learning of geometric scattering modules for GNNs. In <i>Proceedings of the 2021 IEEE International Workshop on Machine Learning for Signal Processing (MLSP)</i>, pp. 1-6, 2021.</a>
<li> <a href="https://dx.doi.org/10.1109/SSP49050.2021.9513749" target="_blank">J.S. Rhodes, A. Cutler, G. Wolf, K.R. Moon. Random Forest-based Diffusion Information Geometry for Supervised Visualization and Data Exploration, In <i>Proceedings of the 2021 IEEE Statistical Signal Processing Workshop (SSP)</i>, pp. 331-335, 2021.</a>
<li> <a href="http://proceedings.mlr.press/v139/tong21a.html" target="_blank">A. Tong, G. Huguet, A. Natik, K. MacDonald, M. Kuchroo, R. Coifman, G. Wolf, and S. Krishnaswamy. Diffusion Earth Mover's Distance and Distribution Embeddings. In <i>Proceedings of the 38th International Conference on Machine Learning (ICML 2021)</i>, Online; <i>PMLR</i>, 139:10336-10346, 2021.</a>
<li> <a href="https://doi.org/10.1109/ICASSP39728.2021.9414557" target="_blank">Y. Min, F. Wenkel, and G. Wolf. Geometric Scattering Attention Networks. In <i>Proceedings of the 2021 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP 2021)</i>, Online, pp. 8518-8522, 2021.</a>
<li> <a href="https://papers.nips.cc/paper/2020/hash/a6b964c0bb675116a15ef1325b01ff45-Abstract.html" target="_blank">Y. Min, F. Wenkel, and G. Wolf. Scattering GCN: Overcoming Oversmoothness in Graph Convolutional Networks. In <i>Advances in Neural Information Processing Systems 33 (NeurIPS 2020)</i>, Online, pp. 14498-14508, 2020.</a>
<li> <a href="https://papers.nips.cc/paper/2020/hash/4d771504ddcd28037b4199740df767e6-Abstract.html" target="_blank">B. Rieck, T. Yates, C. Bock, K. Borgwardt, G. Wolf, N. Turk-Browne, S. Krishnaswamy. Uncovering the Topology of Time-Varying fMRI Data using Cubical Persistence. In <i>Advances in Neural Information Processing Systems 33 (NeurIPS 2020)</i>, Online, pp. 6900-6912, 2020.</a>
<li> <a href="https://doi.org/10.1109/BigData50022.2020.9378049" target="_blank">A.F. Duque, S. Morin, G. Wolf, and K.R. Moon. Extendable and Invertible Manifold Learning with Geometry Regularized Autoencoders. In <i>Proceedings of the 2020 IEEE International Conference on Big Data</i>, Atlanta, GA, USA, pp. 5027-5036, 2020.</a>
<li> <a href="https://doi.org/10.1109/BigData50022.2020.9378305" target="_blank">E. Castro, A. Benz, A. Tong, G. Wolf, S. Krishnaswamy. Uncovering the Folding Landscape of RNA Secondary Structure with Deep Graph Embeddings. In <i>Proceedings of the 2020 IEEE International Conference on Big Data</i>, Atlanta, GA, USA, pp. 4519-4528, 2020.</a>
<li> <a href="https://doi.org/10.1109/MLSP49062.2020.9231832" target="_blank">A. Tong, G. Wolf, and S. Krishnaswamy. Fixing Bias in Reconstruction-based Anomaly Detection with Lipschitz Discriminators. In <i>Proceedings of the 2020 IEEE International Workshop on Machine Learning for Signal Processing (MLSP 2020)</i>, Espoo, Finland, pp. 1-6, 2020.</a>
<li> <a href="https://doi.org/10.1109/MLSP49062.2020.9231660" target="_blank">M. Amodio, D. van Dijk, G. Wolf, and S. Krishnaswamy. Learning General Transformations of Data for Out-of-Sample Extensions. In <i>Proceedings of the 2020 IEEE International Workshop on Machine Learning for Signal Processing (MLSP 2020)</i>, Espoo, Finland, pp. 1-6, 2020.</a>
<li> <a href="http://proceedings.mlr.press/v107/perlmutter20a.html" target="_blank">M. Perlmutter, F. Gao, G. Wolf, and M. Hirn. Geometric Wavelet Scattering Networks on Compact Riemannian Manifolds. In <i>Proceedings of the 1st Annual Conference on Mathematical and Scientific Machine Learning (MSML 2020)</i>, Princeton, NJ, USA; <i>PMLR</i>, 107:1-35, 2020.</a>
<li> <a href="http://proceedings.mlr.press/v119/tong20a.html" target="_blank">A. Tong, J. Huang, G. Wolf, D. van Dijk, and S. Krishnaswamy. TrajectoryNet: A Dynamic Optimal Transport Network for Modeling Cellular Dynamics. In <i>Proceedings of the 37th International Conference on Machine Learning (ICML 2020)</i>, Vienna, Austria; <i>PMLR</i>, 119:9526-9536, 2020.</a>
<li> <a href="https://dx.doi.org/10.1007/978-3-030-47358-7_27" target="_blank">S. Horoi, V. Geadah, G. Wolf and G. Lajoie. Low-dimensional dynamics of encoding and learning in recurrent neural networks. In Goutte C., Zhu X., editors, <i>Advances in Artificial Intelligence (Canadian AI 2020)</i>, Ottawa, ON, Canada, volume 12109 of <i>LNCS</i>, pp. 276-282, 2020.</a>
<li> <a href="https://dx.doi.org/10.1137/1.9781611976236.36" target="_blank">J.S. Stanley III, S. Gigante, G. Wolf, and S. Krishnaswamy. Harmonic Alignment. In <i>Proceedings of the 2020 SIAM International Conference on Data Mining (SDM20)</i>, Cincinnati, OH, USA, pp. 316-324, 2020.</a>
<li> <a href="https://dx.doi.org/10.1007/978-3-030-44584-3_40" target="_blank">A. Tong, D. van Dijk, J.S. Stanley III, M. Amodio, K. Yim, R. Muhle, J. Noonan, G. Wolf and S. Krishnaswamy. Interpretable Neuron Structuring with Graph Spectral Regularization. In M. Berthold, A. Feelders, G. Krempl, editors, <i>Advances in Intelligent Data Analysis XVIII (IDA 2020)</i>, Bodenseeforum, Lake Constance, Germany, volume 12080 of <i>LNCS</i>, pp. 509-521, 2020.</a>
<li> <a href="https://dx.doi.org/10.1109/BigData47090.2019.9006484" target="_blank">D. van Dijk, D. Burkhardt, M. Amodio, A. Tong, G. Wolf, and S. Krishnaswamy. Finding Archetypal Spaces for Data Using Neural Networks. In <i>Proceedings of the 2019 IEEE International Conference on Big Data</i>, Los Angeles, CA, USA, pp. 2634-2643, 2019.</a>
<li> <a href="https://dx.doi.org/10.1109/BigData47090.2019.9006013" target="_blank">N. Brugnone, A. Gonopolskiy, M.W. Moyle, M. Kuchroo, D. van Dijk, K.R. Moon, D. Colon-Ramos, G. Wolf, M.J. Hirn, and S. Krishnaswamy. Coarse Graining of Data via Inhomogeneous Diffusion Condensation. In <i>Proceedings of the 2019 IEEE International Conference on Big Data</i>, Los Angeles, CA, USA, pp. 2624-2633, 2019.</a>
<li> <a href="https://dx.doi.org/10.1109/MLSP.2019.8918875" target="_blank">A.F. Duque G. Wolf K.R. Moon, Visualizing High Dimensional Dynamical Processes. In <i>Proceeding of the 2019 IEEE International Workshop on Machine Learning for Signal Processing (MLSP 2019)</i>, Pittsburgh, PA, USA, pp. 1-6, 2019.</a>
<li> <a href="https://dx.doi.org/10.1109/SampTA45681.2019.9030978" target="_blank">S. Gigante, D. van Dijk, K.R. Moon, A. Strzalkowski, G. Wolf, and S. Krishnaswamy. Modeling Global Dynamics from Local Snapshots with Deep Generative Neural Networks. In <i>The 13th international conference on Sampling Theory and Applications (SampTA 2019)</i>, Bordeaux, France, 2019.</a>
<li> <a href="https://dx.doi.org/10.1109/SampTA45681.2019.9030994" target="_blank">S. Gigante, J.S. Stanley III, N. Vu, D. van Dijk, K.R. Moon, G. Wolf, and S. Krishnaswamy. Compressed Diffusion. In <i>the 13th International Conference on Sampling Theory and Applications (SampTA 2019)</i>, Bordeaux, France, 2019.</a>
<li> <a href="http://proceedings.mlr.press/v97/gao19e.html" target="_blank">F. Gao, G. Wolf, and M. Hirn, Geometric Scattering for Graph Data Analysis. In <i>Proceedings of the 36th International Conference on Machine Learning (ICML 2019)</i>, Long Beach, CA, USA; <i>PMLR</i>, 97:2122-2131, 2019.</a>
<li> <a href="https://dx.doi.org/10.1109/DSW.2019.8755591" target="_blank">D.B. Burkhardt, J.S. Stanley III, G. Wolf, and S. Krishnaswamy. Vertex Frequency Clustering. In <i>Proceedings of the 2019 IEEE Data Science Workshop (DSW 2019)</i>, Minneapolis, MN, USA, pp. 145-149, 2019.</a>
<li> <a href="https://papers.nips.cc/paper/7414-geometry-based-data-generation" target="_blank">O. Lindenbaum, J.S. Stanley III, G. Wolf, and S. Krishnaswamy. Geometry-Based Data Generation. <i>Advances in Neural Information Processing Systems 31 (NeurIPS 2018)</i>, Montr�al, QC, Canada, pp. 1405-1416, 2018.</a>
<li> <a href="https://ieeexplore.ieee.org/document/6958893/" target="_blank">G. Wolf, S. Mallat, and S. Shamma. Audio source separation with time-frequency velocities. In <i>Proceedings of the 2014 IEEE International Workshop on Machine Learning for Signal Processing (MLSP 2014)</i>, Reims, France, pp. 1-6, 2014.</a>
<li> <a href="https://www.eurasip.org/Proceedings/Ext/SampTA2013/papers/p489-bermanis.pdf" target="_blank">A. Bermanis, G. Wolf, and A. Averbuch. Measure-based diffusion kernel methods. In <i>Proceeding of the 10th international conference on Sampling Theory and Applications (SampTA 2013)</i>, Bremen, Germany, pp. 489-492, 2013.</a>
<li> <a href="https://www.eurasip.org/Proceedings/Ext/SampTA2013/papers/p424-salhov.pdf" target="_blank">M. Salhov, G. Wolf, A. Bermanis, and A. Averbuch. Constructive sampling for patch-based embedding. In <i>Proceeding of the 10th international conference on Sampling Theory and Applications (SampTA 2013)</i>, Bremen, Germany, pp. 424-427, 2013.</a>
<li> <a href="http://link.springer.com/chapter/10.1007/978-3-642-34156-4_32" target="_blank">M. Salhov, G. Wolf, A. Bermanis, A. Averbuch, and P. Neittaanm�ki. Dictionary construction for patch-to-tensor embedding. In J. Hollm�n, F. Klawonn, and A. Tucker, editors, <i>Advances in Intelligent Data Analysis XI (IDA 2012)</i>, Helsinki, Finland, volume 7619 of <i>LNCS</i>, pp. 346-356, 2012.</a>
<li> <a href="http://link.springer.com/chapter/10.1007/978-3-642-34156-4_31" target="_blank">M. Salhov, G. Wolf, A. Averbuch, and P. Neittaanm�ki. Patch-based data analysis using linear-projection diffusion. In J. Hollm�n, F. Klawonn, and A. Tucker, editors, <i>Advances in Intelligent Data Analysis XI (IDA 2012)</i>, Helsinki, Finland, volume 7619 of <i>LNCS</i>, pp. 334-345, 2012.</a>
<li> G. Wolf, Y. Shmuelli, S. Harussi, and A. Averbuch. Polar clustering. In <i>Proceedings of ECCOMAS Thematic Conference on Computational Analysis and Optimization (CAO2011)</i>, Jyv�skyl�, Finland, pp. 174-177, 2011.
</li>
|
Анализировать url |
| openreview.net |
D. Martins Gomes, Y. Zhang, E. Belilovsky, G. Wolf, and M.S. Hosseini. AdaFisher: Adaptive second order optimization via fisher information. In <i>the Thirteenth International Conference on Learning Representations (ICLR 2025)</i>, 2025.
|
Анализировать url |
| proceedings.mlr.press |
X. Sun, D. Liao, K. Macdonald, Y. Zhang, G. Huguet, G. Wolf, I.Adelstein, T.G.J. Rudner, and S. Krishnaswamy. Geometry-aware generative autoencoder for warped Riemannian metric learning and generative modeling on data manifolds. In <i>Proceedings of the 28th International Conference on Artificial Intelligence and Statistics (AISTATS 2025)</i>, Phuket, Thailand; <i>PMLR</i> 258:1018-1026, 2025.
|
Анализировать url |
| doi.org |
Y. Zhang, L. Mezrag, X. Sun, C. Xu, K. Macdonald, D. Bhaskar, S. Krishnaswamy, G. Wolf, and B. Rieck. Principal curvatures estimation with applications to single cell data. In <i>Proceedings of the 2025 IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP 2025)</i>, 2025.
|
Анализировать url |
| proceedings.mlr.press |
F. Wenkel, S. Cant�rk, S. Horoi, M. Perlmutter, and G. Wolf. Towards a general recipe for combinatorial optimization With multi-filter GNNs, <i>Proceedings of the Third Learning on Graphs Conference Learning on Graphs (LOG 2024)</i>, 2024.
|
Анализировать url |
| doi.org |
A. Orozco Camacho, S. Horoi, G. Wolf, and E. Belilovsky. Non-uniform parameter-wise model merging. In <i>Proceedings of the 2024 IEEE International Conference on Big Data (BigData 2024)</i>, pages 5946�5954, 2024.
|
Анализировать url |
| proceedings.neurips.cc |
C. Hua, B. Zhong, S. Luan, L. Hong, G. Wolf, D. Precup, and S. Zheng. ReactZyme: A benchmark for enzyme-reaction prediction. In <i>Advances Neural Information Processing Systems 37 (NeurIPS 2024)</i>, 2024.
|
Анализировать url |
| dx.doi.org |
S. Ni, A. Aumon, G. Wolf, K.R. Moon, and J.S. Rhodes. Enhancing Supervised Visualization through Autoencoder and Random Forest Proximities for Out-of-Sample Extension. In <i>Proceedings of the 34th IEEE International Workshop on Machine Learning for Signal Processing (MLSP 2024)</i>, London, UK, pp. 1-6, 2024.
|
Анализировать url |
| proceedings.mlr.press |
S. Horoi, A. Orozco Camacho, E. Belilovsky, and G. Wolf. Harmony in diversity: Merging neural networks with canonical correlation analysis. In <i>Proceedings of the 41st International Conference on Machine Learning (ICML 2024)</i>, Vienna, Austria; <i>PMLR</i>, 235:18815-18832, 2024.
|
Анализировать url |
| proceedings.mlr.press |
S. Cant�rk, R. Liu, O. Lapointe-Gagn�, V. L�tourneau, G. Wolf, D. Beaini, and L. Ramp�ek. Graph positional and structural encoder. In <i>Proceedings of the 41st International Conference on Machine Learning (ICML 2024)</i>, Vienna, Austria; <i>PMLR</i>, 235:5533-5566, 2024.
|
Анализировать url |
| drive.google.com |
P. Vianna, M. Chaudhary, P. Mehrbod, A. Tang, G. Cloutier, G. Wolf, M. Eickenberg, and E. Belilovsky. Channel-selective normalization for label-shift robust test-time adaptation. In <i>Proceedings of the Third Conference on Lifelong Learning Agents (CoLLAs 2024)</i>, Pisa, Italy, 2024.
|
Анализировать url |
| openreview.net |
D. Beaini, S. Huang, J.A. Cunha, G. Moisescu-Pareja, O. Dymov, S. Maddrell-Mander, C. McLean, F. Wenkel, L. M�ller, J.H. Mohamud, A. Parviz, M. Craig, M. Koziarski, J. Lu, Z. Zhu, C. Gabellini, K. Klaser, J. Dean, C. Wognum, M. Sypetkowski, G. Rabusseau, R. Rabbany, J. Tang, C. Morris, I. Koutis, M. Ravanelli, G. Wolf, P. Tossou, H. Mary, T. Bois, A. Fitzgibbon, B. Banaszewski, C. Martin, and D. Masters. Towards foundational models for molecular learning on large-scale multi-task datasets. In <i>Proceedings of the Twelfth International Conference on Learning Representations (ICLR 2024)</i>, Vienna, Austria, 2024.
|
Анализировать url |
| proceedings.mlr.press |
A. Tong, N. Malkin, K. Fatras, L. Atanackovic, Y. Zhang, G. Huguet, G. Wolf, and Y. Bengio. Simulation-free schr�dinger bridges via score and flow matching. In <i>Proceedings of the 27th International Conference on Artificial Intelligence and Statistics (AISTATS 2024)</i>, Valencia, Spain; <i>PMLR</i>, 238:1279-1287, 2024.
|
Анализировать url |
| doi.org |
D. Liao, C. Liu, B.W. Christensen, A. Tong, G. Huguet, G. Wolf, M. Nickel, I.Adelstein, and S. Krishnaswamy. Assessing neural network representations during training using data diffusion spectra. In <i>Proceedings of the 58th Annual Conference on Information Sciences and Systems (CISS 2024)</i>, Princeton, NJ, USA, pp. 1-6, 2024.
|
Анализировать url |
| proceedings.mlr.press |
D. Bhaskar, D.S. Magruder, M. Morales, E. De Brouwer, A. Venkat, F. Wenkel, J. Noonan, G. Wolf, N. Ivanova, and S. Krishnaswamy. Inferring dynamic regulatory interaction graphs from time series data with perturbations. <i>Proceedings of the Second Learning on Graphs Conference (LoG 2023)</i>, Virtual Event; <i>PMLR</i> 231:22.1-22.21, 2024.
|
Анализировать url |
| openreview.net |
G. Huguet, A. Tong, E. De Brouwer, Y. Zhang, G. Wolf, I. Adelstein, and S. Krishnaswamy. A Heat Diffusion Perspective on Geodesic Preserving Dimensionality Reduction. In <i>Advances in Neural Information Processing Systems 36 (NeurIPS 2023)</i>, New Orleans, LA, USA, 2023.
|
Анализировать url |
| dx.doi.org |
G. Huguet, A. Tong, M.R. Zapatero, C.J. Tape, G. Wolf, and S. Krishnaswamy. Geodesic Sinkhorn for fast and accurate optimal transport on manifolds. In <i>Proceedings of the 2023 IEEE International Workshop on Machine Learning for Signal Processing (MLSP)</i>, Rome, Italy, pp. 1-6, 2023.
|
Анализировать url |
| proceedings.mlr.press |
O. Fasina, G. Huguet, A. Tong, Y. Zhang, G. Wolf, M. Nickel, I. Adelstein, and S. Krishnaswamy. Neural FIM for learning Fisher information metrics from point cloud data. In <i>Proceedings of the 40th International Conference on Machine Learning (ICML 2023)</i>, Honolulu, HI, USA; <i>PMLR</i>, 202:9814-9826, 2023.
|
Анализировать url |
| openreview.net |
A.F. Duque, M. Lizotte, G. Wolf, and K.R. Moon. Manifold Alignment with Label Information. In <i>The 14th international conference on Sampling Theory and Applications (SampTA 2023)</i>, New Haven, CT, USA, 2023.
|
Анализировать url |
| openreview.net |
D. Eddington, A.F. Duque, G. Wolf, and K.R. Moon. Data Imputation with an Autoencoder and MAGIC. In <i>The 14th international conference on Sampling Theory and Applications (SampTA 2023)</i>, New Haven, CT, USA, 2023.
|
Анализировать url |
| openreview.net |
S. Leone, A. Venkat, A. Tong, G. Huguet, G. Wolf, and S. Krishnaswamy. Graph Fourier MMD for Signals on Graphs. In <i>The 14th international conference on Sampling Theory and Applications (SampTA 2023)</i>, New Haven, CT, USA, 2023.
|
Анализировать url |
| dx.doi.org |
M. Elaraby, G. Wolf, and M. Carvalho. OAMIP: Optimizing ANN Architectures using Mixed-Integer Programming. In <i>Proceedings of the 20th International Conference on the Integration of Constraint Programming, Artificial Intelligence, and Operations Research (CPAIOR 2023)</i>, Nice, France, volume 13884 of <i>LNCS</i>, pp. 219�237, 2023.
|
Анализировать url |
| openreview.net |
M. Davari, S. Horoi, A. Natik, G. Lajoie, G. Wolf, and E. Belilovsky. Reliability of CKA as a Similarity Measure in Deep Learning. In <i>the Eleventh International Conference on Learning Representations (ICLR 2023)</i>, Kigali, Rwanda, 2023.
|
Анализировать url |
| dx.doi.org |
A.F. Duque, G. Wolf, and K.R. Moon. Diffusion Transport Alignment. In <i>Advances in Intelligent Data Analysis XXI (IDA 2023)</i>, Louvain-la-Neuve, Belgium, volume 13876 of <i>LNCS</i>, pp. 116-129, 2023.
|
Анализировать url |
| proceedings.mlr.press |
R. Liu, S. Cant�rk, F. Wenkel, S. McGuire, X. Wang, A. Little, L. O'Bray, M. Perlmutter, B. Rieck, M. Hirn, G. Wolf, L. Ramp�ek. Taxonomy of Benchmarks in Graph Representation Learning. In <i>Proceedings of the First Learning on Graphs Conference (LoG 2022)</i>, Virtual Event; <i>PMLR</i>, 198:6.1-6.25, 2022.
|
Анализировать url |
| papers.nips.cc |
Y. Min, F. Wenkel, M. Perlmutter, and G. Wolf. Can Hybrid Geometric Scattering Networks Help Solve the Maximum Clique Problem? In <i>Advances in Neural Information Processing Systems 35 (NeurIPS 2022)</i>, New Orleans, LA, USA, pp. 22713-22724,2022.
|
Анализировать url |
| papers.nips.cc |
G. Huguet, D.S. Magruder, A. Tong, O. Fasina, M. Kuchroo, G. Wolf, and S. Krishnaswamy. Manifold Interpolating Optimal-Transport Flows for Trajectory Inference. In <i>Advances in Neural Information Processing Systems 35 (NeurIPS 2022)</i>, New Orleans, LA, USA, pp. 29705-29718,2022.
|
Анализировать url |
| papers.nips.cc |
L. Rampasek, M. Galkin, V.P. Dwivedi, A.T. Luu, G. Wolf, and D. Beaini. Recipe for a General, Powerful, Scalable Graph Transformer. In <i>Advances in Neural Information Processing Systems 35 (NeurIPS 2022)</i>, New Orleans, LA, USA, pp. 14501-14515,2022.
|
Анализировать url |
| papers.nips.cc |
V.P. Dwivedi, L. Rampasek, M. Galkin, A. Parviz, G. Wolf, A.T. Luu, and D. Beaini. Long Range Graph Benchmark. In <i>Advances in Neural Information Processing Systems 35 (NeurIPS 2022)</i>, New Orleans, LA, USA, pp. 22326-22340,2022.
|
Анализировать url |
Конкуренты Готовность: 0%
Конкуренты в Яндексе
Кол-во: 0
Топ сайтов-конкурентов в Яндексе
?
Сайты, чаще всего появляющиеся в ТОПе Яндекса по запросам из семантического ядра этой страницы.
Мы не нашли у вас конкурентов в Яндексе. Сайт или очень молодой или плохо продвигается.
Конкурентов в ТОП-10 Яндекса не нашлось.
Конкуренты в Google
Кол-во: 0
Топ сайтов-конкурентов в Google
?
Сайты, чаще всего появляющиеся в ТОПе Google по запросам из семантического ядра этой страницы.
Конкуренты в Google тоже не найдены. Займитесь продвижением сайта!
Конкурентов в ТОП-10 Google не нашлось.
ЗоЗПП: права потребителей Готовность: 100%
Нарушения
Не выявлены
Признаков дистанционной продажи товаров (интернет-магазина) не обнаружено — требования ЗоЗПП о раскрытии информации продавца к сайту не применяются. Нарушений нет.
ФЗ-149: рекомендательные технологии Готовность: 100%
Нарушения
Не выявлены
Рекомендательные блоки («с этим покупают», «похожие товары» и т.п.) на сайте не обнаружены — требования ст. 10.7 ФЗ-149 к сайту не применяются. Нарушений нет.
ФЗ-38: реклама Готовность: 100%
Нарушения
Не выявлены
Рекламных тематик с обязательными оговорками (медицина, БАД, кредиты и займы, новостройки) на сайте не обнаружено. Нарушений нет.
ФЗ-436: защита детей Готовность: 100%
Нарушения
Не выявлены
Признаков информационной продукции (новости, видео, книги, игры, курсы) не обнаружено — обязательная возрастная маркировка по ФЗ-436 сайту не требуется. Нарушений нет.
Вердикт
Таким сайт guywolf.org видят поисковые системы. Процент оптимизации невысокий - 45%. Чтобы улучшить сайт и попасть в ТОП необходимо:
Исправьте ошибки в мета-тегах.
Исправьте ошибки оптимизации.
Исправьте ошибки индексации.
Поделитесь с друзьями: