DSTARS: a multi-target deep structure for tracking asynchronous regressor (2020)
- Authors:
- Autor USP: MASTELINI, SAULO MARTIELLO - ICMC
- Unidade: ICMC
- DOI: 10.1016/j.asoc.2020.106215
- Subjects: APRENDIZADO COMPUTACIONAL; ANÁLISE DE REGRESSÃO E DE CORRELAÇÃO
- Keywords: Multi-target; Multi-output; Regression analysis
- Agências de fomento:
- Language: Inglês
- Imprenta:
- Source:
- Título: Applied Soft Computing Journal
- ISSN: 1568-4946
- Volume/Número/Paginação/Ano: v. 91, p. 1-27, June 2020
- Este periódico é de assinatura
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: green
- Licença: other-oa
-
ABNT
MASTELINI, Saulo Martiello et al. DSTARS: a multi-target deep structure for tracking asynchronous regressor. Applied Soft Computing Journal, v. 91, p. 1-27, 2020Tradução . . Disponível em: https://doi.org/10.1016/j.asoc.2020.106215. Acesso em: 16 maio 2025. -
APA
Mastelini, S. M., Santana, E. J., Cerri, R., & Barbon Júnior, S. (2020). DSTARS: a multi-target deep structure for tracking asynchronous regressor. Applied Soft Computing Journal, 91, 1-27. doi:10.1016/j.asoc.2020.106215 -
NLM
Mastelini SM, Santana EJ, Cerri R, Barbon Júnior S. DSTARS: a multi-target deep structure for tracking asynchronous regressor [Internet]. Applied Soft Computing Journal. 2020 ; 91 1-27.[citado 2025 maio 16 ] Available from: https://doi.org/10.1016/j.asoc.2020.106215 -
Vancouver
Mastelini SM, Santana EJ, Cerri R, Barbon Júnior S. DSTARS: a multi-target deep structure for tracking asynchronous regressor [Internet]. Applied Soft Computing Journal. 2020 ; 91 1-27.[citado 2025 maio 16 ] Available from: https://doi.org/10.1016/j.asoc.2020.106215 - Improved prediction of soil properties with multi-target stacked generalisation on EDXRF spectra
- Towards meta-learning for multi-target regression problems
- On ensemble techniques for data stream regression
- From fault detection to anomaly explanation: a case study on predictive maintenance
- Online anomaly explanation: a case study on predictive maintenance
- River: machine learning for streaming data in Python
- ‘Right to be forgotten’: analyzing the impact of forgetting data using K-NN algorithm in data stream learning
- Efficient online tree, rule-based and distance-based algorithms
- Fast and lightweight binary and multi-branch Hoeffding tree regressors
- Efficient online tree, rule-based, and distance-based algorithms
Informações sobre o DOI: 10.1016/j.asoc.2020.106215 (Fonte: oaDOI API)
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
3002089.pdf |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
