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
- Status:
- Artigo possui versão em acesso aberto em repositório (Green Open Access)
- Versão do Documento:
- Versão submetida (Pré-print)
- Acessar versão aberta:
-
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: 31 mar. 2026. -
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 2026 mar. 31 ] 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 2026 mar. 31 ] Available from: https://doi.org/10.1016/j.asoc.2020.106215 - Towards meta-learning for multi-target regression problems
- From fault detection to anomaly explanation: a case study on predictive maintenance
- ‘Right to be forgotten’: analyzing the impact of forgetting data using K-NN algorithm in data stream learning
- Online anomaly explanation: a case study on predictive maintenance
- River: machine learning for streaming data in Python
- On ensemble techniques for data stream regression
- Efficient online tree, rule-based and distance-based algorithms
- Improved prediction of soil properties with multi-target stacked generalisation on EDXRF spectra
- A meta-learning approach for selecting image segmentation algorithm
- Online local boosting: improving performance in online decision trees
Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).
Por se tratar de integração com serviço externo, podem existir diferentes versões do trabalho (como preprints ou postprints), que podem diferir da versão publicada.
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
