Scalable learning of probabilistic circuits (2023)
- Authors:
- USP affiliated authors: MAUÁ, DENIS DERATANI - IME ; GEH, RENATO LUI - IME
- Unidade: IME
- DOI: 10.5753/ctd.2023.229457
- Subjects: APRENDIZADO COMPUTACIONAL; MODELOS PARA PROCESSOS ESTOCÁSTICOS; INTELIGÊNCIA ARTIFICIAL
- Language: Inglês
- Imprenta:
- Publisher: SBC
- Publisher place: Porto Alegre
- Date published: 2023
- Source:
- Conference titles: Congresso da Sociedade Brasileira de Computação - CSBC
- 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. Scalable learning of probabilistic circuits. 2023, Anais.. Porto Alegre: SBC, 2023. Disponível em: https://doi.org/10.5753/ctd.2023.229457. Acesso em: 07 maio 2026. -
APA
Geh, R. L., & Mauá, D. D. (2023). Scalable learning of probabilistic circuits. In Anais. Porto Alegre: SBC. doi:10.5753/ctd.2023.229457 -
NLM
Geh RL, Mauá DD. Scalable learning of probabilistic circuits [Internet]. Anais. 2023 ;[citado 2026 maio 07 ] Available from: https://doi.org/10.5753/ctd.2023.229457 -
Vancouver
Geh RL, Mauá DD. Scalable learning of probabilistic circuits [Internet]. Anais. 2023 ;[citado 2026 maio 07 ] Available from: https://doi.org/10.5753/ctd.2023.229457 - Fast and accurate learning of probabilistic circuits by random projections
- 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
- Learning probabilistic sentential decision diagrams by sampling
- 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
- Better initialization heuristics for order-based bayesian network structure learning
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 | |
|---|---|---|---|
 |
3156850.pdf | Direct link |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
