Learning probabilistic sentential decision diagrams by sampling (2020)
- Authors:
- USP affiliated authors: MAUÁ, DENIS DERATANI - IME ; GEH, RENATO LUI - IME
- Unidade: IME
- DOI: 10.5753/kdmile.2020.11968
- Subjects: INTELIGÊNCIA ARTIFICIAL; APRENDIZADO COMPUTACIONAL; RACIOCÍNIO PROBABILÍSTICO
- Agências de fomento:
- Language: Inglês
- Imprenta:
- Publisher: SBC
- Publisher place: Porto Alegre
- Date published: 2020
- Source:
- Título: Proceedings
- Conference titles: Symposium on Knowledge Discovery, Mining and Learning - KDMiLe
- Status:
- Artigo publicado em periódico de acesso aberto (Gold Open Access)
- Versão do Documento:
- Versão publicada (Published version)
- Acessar versão aberta:
-
ABNT
GEH, Renato Lui e MAUÁ, Denis Deratani e ANTONUCCI, Alessandro. Learning probabilistic sentential decision diagrams by sampling. 2020, Anais.. Porto Alegre: SBC, 2020. Disponível em: https://doi.org/10.5753/kdmile.2020.11968. Acesso em: 16 abr. 2026. -
APA
Geh, R. L., Mauá, D. D., & Antonucci, A. (2020). Learning probabilistic sentential decision diagrams by sampling. In Proceedings. Porto Alegre: SBC. doi:10.5753/kdmile.2020.11968 -
NLM
Geh RL, Mauá DD, Antonucci A. Learning probabilistic sentential decision diagrams by sampling [Internet]. Proceedings. 2020 ;[citado 2026 abr. 16 ] Available from: https://doi.org/10.5753/kdmile.2020.11968 -
Vancouver
Geh RL, Mauá DD, Antonucci A. Learning probabilistic sentential decision diagrams by sampling [Internet]. Proceedings. 2020 ;[citado 2026 abr. 16 ] Available from: https://doi.org/10.5753/kdmile.2020.11968 - Fast and accurate learning of probabilistic circuits by random projections
- Scalable learning of probabilistic circuits
- Learning probabilistic sentential decision diagrams under logic constraints by sampling and averaging
- End-to-end imitation learning of lane following policies using sum-product networks
- Scalable learning of probabilistic circuits
- International Journal of Approximate Reasoning
- Early classification of time series by Hidden Markov Models with set-valued parameters
- Hidden Markov models with set-valued parameters
- Equivalences between maximum a posteriori inference in Bayesian networks and maximum expected utility computation in influence diagrams
- Time robust trees: using temporal invariance to improve generalization
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 | |
|---|---|---|---|
 |
3009852.pdf | Direct link |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
