The information of attribute uncertainties: what convolutional neural networks can learn about errors in input data (2023)
- Authors:
- USP affiliated authors: ABRAMO, LUIS RAUL WEBER - IF ; HIRATA, NINA SUMIKO TOMITA - IME ; RODRIGUES, NATÁLIA VILLA NOVA - IF
- Unidades: IF; IME
- DOI: 10.1088/2632-2153/ad0285
- Subjects: APRENDIZADO COMPUTACIONAL; ANÁLISE DE DADOS; ESTATÍSTICA
- Keywords: machine learning methods; statistical techniques; scientific data analysis
- Agências de fomento:
- Language: Inglês
- Imprenta:
- Source:
- Título: Machine Learning: Science and Technology
- ISSN: 2632-2153
- Volume/Número/Paginação/Ano: v. 4, artigo n. 045019, p. 1-26, 2023
- Este periódico é de acesso aberto
- Este artigo NÃO é de acesso aberto
-
ABNT
RODRIGUES, Natália Villa Nova e ABRAMO, Luis Raul Weber e HIRATA, Nina Sumiko Tomita. The information of attribute uncertainties: what convolutional neural networks can learn about errors in input data. Machine Learning: Science and Technology, v. 4, n. artigo 045019, p. 1-26, 2023Tradução . . Disponível em: https://doi.org/10.1088/2632-2153/ad0285. Acesso em: 24 jan. 2026. -
APA
Rodrigues, N. V. N., Abramo, L. R. W., & Hirata, N. S. T. (2023). The information of attribute uncertainties: what convolutional neural networks can learn about errors in input data. Machine Learning: Science and Technology, 4( artigo 045019), 1-26. doi:10.1088/2632-2153/ad0285 -
NLM
Rodrigues NVN, Abramo LRW, Hirata NST. The information of attribute uncertainties: what convolutional neural networks can learn about errors in input data [Internet]. Machine Learning: Science and Technology. 2023 ; 4( artigo 045019): 1-26.[citado 2026 jan. 24 ] Available from: https://doi.org/10.1088/2632-2153/ad0285 -
Vancouver
Rodrigues NVN, Abramo LRW, Hirata NST. The information of attribute uncertainties: what convolutional neural networks can learn about errors in input data [Internet]. Machine Learning: Science and Technology. 2023 ; 4( artigo 045019): 1-26.[citado 2026 jan. 24 ] Available from: https://doi.org/10.1088/2632-2153/ad0285 - The miniJPAS survey quasar selection – II: machine learning classification with photometric measurements and uncertainties
- The miniJPAS survey quasar selection: IV. Classification and redshift estimation with SQUEzE
- The miniJPAS survey quasar selection – I: mock catalogues for classification
- The miniJPAS survey quasar selection
- High-fidelity reproduction of central galaxy joint distributions with neural networks
- Classificação de quasares, estrelas e galáxias com técnicas de aprendizagem automática
- Characterizing large-scale structure tracers with machine learning
- The use of high resolution images in morphological operator learning
- Morphological operator design from training data
- Automatic labeling of handwritten mathematical symbols via expression matching
Informações sobre o DOI: 10.1088/2632-2153/ad0285 (Fonte: oaDOI API)
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
3165822 - The information... | Direct link |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
