ReP USP - Resultado da busca

Dissertação (Mestrado)
Risk Sensitivity with exponential functions in reinforcement learning: an empirical analysis (2023)
Pereira Neto, Eduardo Lopes; Delgado, Karina Valdivia (Orientador)
Unidade: IME
Subjects: PROCESSOS DE MARKOV, PROCESSOS ESTOCÁSTICOS
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
ABNT
PEREIRA NETO, Eduardo Lopes. Risk Sensitivity with exponential functions in reinforcement learning: an empirical analysis. 2023. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2023. Disponível em: https://www.teses.usp.br/teses/disponiveis/45/45134/tde-06122023-173644/. Acesso em: 26 jan. 2026.
APA
Pereira Neto, E. L. (2023). Risk Sensitivity with exponential functions in reinforcement learning: an empirical analysis (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/45/45134/tde-06122023-173644/
NLM
Pereira Neto EL. Risk Sensitivity with exponential functions in reinforcement learning: an empirical analysis [Internet]. 2023 ;[citado 2026 jan. 26 ] Available from: https://www.teses.usp.br/teses/disponiveis/45/45134/tde-06122023-173644/
Vancouver
Pereira Neto EL. Risk Sensitivity with exponential functions in reinforcement learning: an empirical analysis [Internet]. 2023 ;[citado 2026 jan. 26 ] Available from: https://www.teses.usp.br/teses/disponiveis/45/45134/tde-06122023-173644/
Tese (Doutorado)
Planning in stochastic computation graphs: solving stochastic nonlinear problems with backpropagation (2021)
Bueno, Thiago Pereira; Barros, Leliane Nunes de (Orientador) ; Mauá, Denis Deratani (Orientador)
Unidade: IME
Subjects: INTELIGÊNCIA ARTIFICIAL, APRENDIZADO COMPUTACIONAL, REDES NEURAIS, MODELOS PARA PROCESSOS ESTOCÁSTICOS
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
ABNT
BUENO, Thiago Pereira. Planning in stochastic computation graphs: solving stochastic nonlinear problems with backpropagation. 2021. Tese (Doutorado) – Universidade de São Paulo, São Paulo, 2021. Disponível em: https://www.teses.usp.br/teses/disponiveis/45/45134/tde-29102021-133418/. Acesso em: 26 jan. 2026.
APA
Bueno, T. P. (2021). Planning in stochastic computation graphs: solving stochastic nonlinear problems with backpropagation (Tese (Doutorado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/45/45134/tde-29102021-133418/
NLM
Bueno TP. Planning in stochastic computation graphs: solving stochastic nonlinear problems with backpropagation [Internet]. 2021 ;[citado 2026 jan. 26 ] Available from: https://www.teses.usp.br/teses/disponiveis/45/45134/tde-29102021-133418/
Vancouver
Bueno TP. Planning in stochastic computation graphs: solving stochastic nonlinear problems with backpropagation [Internet]. 2021 ;[citado 2026 jan. 26 ] Available from: https://www.teses.usp.br/teses/disponiveis/45/45134/tde-29102021-133418/
Trabalho de evento
Reward tuning for self-adaptive policy in MDP based distributed decision-making to ensure a safe mission planning (2020)
Hamadouche, Mohand ; Dezan, Catherine ; Branco, Kalinka Regina Lucas Jaquie Castelo
Source: Proceedings. Conference titles: Annual IEEE/IFIP International Conference on Dependable Systems and Networks Workshops - DSN-W. Unidade: ICMC
Subjects: PROCESSOS DE MARKOV, SISTEMAS DISTRIBUÍDOS, AERONAVES NÃO TRIPULADAS
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
ABNT
HAMADOUCHE, Mohand e DEZAN, Catherine e BRANCO, Kalinka Regina Lucas Jaquie Castelo. Reward tuning for self-adaptive policy in MDP based distributed decision-making to ensure a safe mission planning. 2020, Anais.. Los Alamitos: IEEE, 2020. Disponível em: https://doi.org/10.1109/DSN-W50199.2020.00025. Acesso em: 26 jan. 2026.
APA
Hamadouche, M., Dezan, C., & Branco, K. R. L. J. C. (2020). Reward tuning for self-adaptive policy in MDP based distributed decision-making to ensure a safe mission planning. In Proceedings. Los Alamitos: IEEE. doi:10.1109/DSN-W50199.2020.00025
NLM
Hamadouche M, Dezan C, Branco KRLJC. Reward tuning for self-adaptive policy in MDP based distributed decision-making to ensure a safe mission planning [Internet]. Proceedings. 2020 ;[citado 2026 jan. 26 ] Available from: https://doi.org/10.1109/DSN-W50199.2020.00025
Vancouver
Hamadouche M, Dezan C, Branco KRLJC. Reward tuning for self-adaptive policy in MDP based distributed decision-making to ensure a safe mission planning [Internet]. Proceedings. 2020 ;[citado 2026 jan. 26 ] Available from: https://doi.org/10.1109/DSN-W50199.2020.00025
Dissertação (Mestrado)
Abordagens eficientes e aproximadas com políticas estacionárias para CVaR MDP (2019)
Pais, Dênis Benevolo; Delgado, Karina Valdivia (Orientador)
Unidade: EACH
Subjects: INTELIGÊNCIA ARTIFICIAL, PROCESSOS DE MARKOV, TEORIA DA DECISÃO, FINANÇAS, HEURÍSTICA
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
ABNT
PAIS, Dênis Benevolo. Abordagens eficientes e aproximadas com políticas estacionárias para CVaR MDP. 2019. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2019. Disponível em: https://www.teses.usp.br/teses/disponiveis/100/100131/tde-30012020-115648/. Acesso em: 26 jan. 2026.
APA
Pais, D. B. (2019). Abordagens eficientes e aproximadas com políticas estacionárias para CVaR MDP (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/100/100131/tde-30012020-115648/
NLM
Pais DB. Abordagens eficientes e aproximadas com políticas estacionárias para CVaR MDP [Internet]. 2019 ;[citado 2026 jan. 26 ] Available from: https://www.teses.usp.br/teses/disponiveis/100/100131/tde-30012020-115648/
Vancouver
Pais DB. Abordagens eficientes e aproximadas com políticas estacionárias para CVaR MDP [Internet]. 2019 ;[citado 2026 jan. 26 ] Available from: https://www.teses.usp.br/teses/disponiveis/100/100131/tde-30012020-115648/

USP Schools

ReP

Filtros

Authors

Subjects