Quantifying uncertainty in bayesian networks structural learning (2024)
- Authors:
- USP affiliated authors: MACIEL, CARLOS DIAS - EESC ; BARTH, VITOR BRUNO DE OLIVEIRA - EESC ; CAETANO, HENRIQUE DE OLIVEIRA - EESC
- Unidade: EESC
- DOI: 10.1109/EAIS58494.2024.10570017
- Subjects: INFERÊNCIA BAYESIANA; APRENDIZADO COMPUTACIONAL; ENGENHARIA ELÉTRICA
- Agências de fomento:
- Language: Inglês
- Imprenta:
- Publisher place: Picataway, NJ, USA
- Date published: 2024
- Source:
- Título: Proceedings
- Conference titles: IEEE International Conference on Evolving and Adaptive Intelligent Systems
- Este periódico é de assinatura
- Este artigo NÃO é de acesso aberto
- Cor do Acesso Aberto: closed
-
ABNT
BARTH, Vitor Bruno de Oliveira et al. Quantifying uncertainty in bayesian networks structural learning. 2024, Anais.. Picataway, NJ, USA: Escola de Engenharia de São Carlos, Universidade de São Paulo, 2024. Disponível em: https://dx.doi.org/10.1109/EAIS58494.2024.10570017. Acesso em: 28 dez. 2025. -
APA
Barth, V. B. de O., Caetano, H. de O., Maciel, C. D., & Aiello, M. (2024). Quantifying uncertainty in bayesian networks structural learning. In Proceedings. Picataway, NJ, USA: Escola de Engenharia de São Carlos, Universidade de São Paulo. doi:10.1109/EAIS58494.2024.10570017 -
NLM
Barth VB de O, Caetano H de O, Maciel CD, Aiello M. Quantifying uncertainty in bayesian networks structural learning [Internet]. Proceedings. 2024 ;[citado 2025 dez. 28 ] Available from: https://dx.doi.org/10.1109/EAIS58494.2024.10570017 -
Vancouver
Barth VB de O, Caetano H de O, Maciel CD, Aiello M. Quantifying uncertainty in bayesian networks structural learning [Internet]. Proceedings. 2024 ;[citado 2025 dez. 28 ] Available from: https://dx.doi.org/10.1109/EAIS58494.2024.10570017 - Assessing credibility in Bayesian networks structure learning
- Análise da resposta a falhas de sistemas de distribuição de energia: uma abordagem estocástica
- Confiabilidade de sistemas de distribuição de energia: uma abordagem estocástica
- A bayesian hierarchical model to create synthetic power distribution systems
- A variable neighborhood descent approach for electrical grids as an overload reduction method
- Predicting carbon footprint in stochastic dynamic routing using Bayesian Markov random fields
- Um método Bayesiano orientado a dados para o aprendizado estrutural de Redes Bayesianas
- A bayesian hierarchical model for generating synthetic unbalanced power distribution grids
- Distribution systems cost reduction based on switches upgrades: a stochastic approach
- Data-driven network dynamical model of rat brains during acute ictogenesis
Informações sobre o DOI: 10.1109/EAIS58494.2024.10570017 (Fonte: oaDOI API)
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
Quantifying_uncertainty_i... |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
