Boosting meta-learning with simulated data complexity measures (2020)
- Authors:
- USP affiliated authors: CARVALHO, ANDRÉ CARLOS PONCE DE LEON FERREIRA DE - ICMC ; ALCOBAÇA NETO, EDESIO PINTO DE SOUZA - ICMC
- Unidade: ICMC
- DOI: 10.3233/IDA-194803
- Subjects: APRENDIZADO COMPUTACIONAL; ALGORITMOS PARA PROCESSAMENTO
- Keywords: Meta-learning; meta-features; complexity measures
- Agências de fomento:
- Language: Inglês
- Imprenta:
- Source:
- Título: Intelligent Data Analysis
- ISSN: 1088-467X
- Volume/Número/Paginação/Ano: v. 24, n. 5, p. 1011-1028, 2020
- Status:
- Artigo possui versão em acesso aberto em repositório (Green Open Access)
- Versão do Documento:
- Versão submetida (Pré-print)
- Acessar versão aberta:
-
ABNT
GARCIA, Luís Paulo Faina et al. Boosting meta-learning with simulated data complexity measures. Intelligent Data Analysis, v. 24, n. 5, p. 1011-1028, 2020Tradução . . Disponível em: https://doi.org/10.3233/IDA-194803. Acesso em: 01 abr. 2026. -
APA
Garcia, L. P. F., Rivolli, A., Alcobaça, E., Lorena, A. C., & Carvalho, A. C. P. de L. F. de. (2020). Boosting meta-learning with simulated data complexity measures. Intelligent Data Analysis, 24( 5), 1011-1028. doi:10.3233/IDA-194803 -
NLM
Garcia LPF, Rivolli A, Alcobaça E, Lorena AC, Carvalho ACP de LF de. Boosting meta-learning with simulated data complexity measures [Internet]. Intelligent Data Analysis. 2020 ; 24( 5): 1011-1028.[citado 2026 abr. 01 ] Available from: https://doi.org/10.3233/IDA-194803 -
Vancouver
Garcia LPF, Rivolli A, Alcobaça E, Lorena AC, Carvalho ACP de LF de. Boosting meta-learning with simulated data complexity measures [Internet]. Intelligent Data Analysis. 2020 ; 24( 5): 1011-1028.[citado 2026 abr. 01 ] Available from: https://doi.org/10.3233/IDA-194803 - A literature review on automated machine learning
- Lessons learned from the NeurIPS 2021 MetaDL challenge: backbone fine-tuning without episodic meta-learning dominates for few-shot learning image classification
- MFE: towards reproducible meta-feature extraction
- Predicting and interpreting oxide glass properties by machine learning using large datasets
- Machine learning unveils composition-property relationships in chalcogenide glasses
- Explainable machine learning algorithms for predicting glass transition temperatures
- Gabinete pequeno é destaque de pc itautec
- New data strucutre and spanning forest operators for evolutionay algorithms
- Metalearning for context-aware filtering: selection of tensor factorization algorithms
- Evolutionary tuning of SVM parameter values in multiclass problems
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 | |
|---|---|---|---|
 |
3011249.pdf |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
