ReP USP - Resultado da busca

Artigo de periodico
Analysis of the effectiveness of public health measures on COVID-19 transmission (2023)
Silva, Thiago Christiano ; Anghinoni, Leandro ; Chagas, Cassia Pereira das; Zhao, Liang ; Tabak, Benjamin Miranda
Fonte: International Journal of Environmental Research and Public Health. Unidade: ICMC
Assuntos: INTELIGÊNCIA ARTIFICIAL, COVID-19, APRENDIZADO COMPUTACIONAL
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
ABNT
SILVA, Thiago Christiano et al. Analysis of the effectiveness of public health measures on COVID-19 transmission. International Journal of Environmental Research and Public Health, v. 20, n. 18, p. 1-19, 2023Tradução . . Disponível em: https://doi.org/10.3390/ijerph20186758. Acesso em: 28 nov. 2025.
APA
Silva, T. C., Anghinoni, L., Chagas, C. P. das, Zhao, L., & Tabak, B. M. (2023). Analysis of the effectiveness of public health measures on COVID-19 transmission. International Journal of Environmental Research and Public Health, 20( 18), 1-19. doi:10.3390/ijerph20186758
NLM
Silva TC, Anghinoni L, Chagas CP das, Zhao L, Tabak BM. Analysis of the effectiveness of public health measures on COVID-19 transmission [Internet]. International Journal of Environmental Research and Public Health. 2023 ; 20( 18): 1-19.[citado 2025 nov. 28 ] Available from: https://doi.org/10.3390/ijerph20186758
Vancouver
Silva TC, Anghinoni L, Chagas CP das, Zhao L, Tabak BM. Analysis of the effectiveness of public health measures on COVID-19 transmission [Internet]. International Journal of Environmental Research and Public Health. 2023 ; 20( 18): 1-19.[citado 2025 nov. 28 ] Available from: https://doi.org/10.3390/ijerph20186758
Trabalho de evento
TransGNN: a transductive graph neural network with graph dynamic embedding (2023)
Anghinoni, Leandro ; Yu-Tao, Zhu; Donghong, Ji; Liang, Zhao
Fonte: Proceedings. Nome do evento: International Joint Conference on Neural Networks - IJCNN. Unidades: FFCLRP, ICMC
Assuntos: APRENDIZADO COMPUTACIONAL, REDES NEURAIS
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
ABNT
ANGHINONI, Leandro et al. TransGNN: a transductive graph neural network with graph dynamic embedding. 2023, Anais.. Piscataway: IEEE, 2023. Disponível em: https://doi.org/10.1109/IJCNN54540.2023.10191134. Acesso em: 28 nov. 2025.
APA
Anghinoni, L., Yu-Tao, Z., Donghong, J., & Liang, Z. (2023). TransGNN: a transductive graph neural network with graph dynamic embedding. In Proceedings. Piscataway: IEEE. doi:10.1109/IJCNN54540.2023.10191134
NLM
Anghinoni L, Yu-Tao Z, Donghong J, Liang Z. TransGNN: a transductive graph neural network with graph dynamic embedding [Internet]. Proceedings. 2023 ;[citado 2025 nov. 28 ] Available from: https://doi.org/10.1109/IJCNN54540.2023.10191134
Vancouver
Anghinoni L, Yu-Tao Z, Donghong J, Liang Z. TransGNN: a transductive graph neural network with graph dynamic embedding [Internet]. Proceedings. 2023 ;[citado 2025 nov. 28 ] Available from: https://doi.org/10.1109/IJCNN54540.2023.10191134
Tese (Doutorado)
Structure characterization of complex networks for machine learning (2023)
Anghinoni, Leandro ; Liang, Zhao (Orientador) ; Silva, Israel T. (coorient)
Unidade: ICMC
Assuntos: APRENDIZADO COMPUTACIONAL, REDES COMPLEXAS, REDES NEURAIS, ANÁLISE DE SÉRIES TEMPORAIS
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
ABNT
ANGHINONI, Leandro. Structure characterization of complex networks for machine learning. 2023. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2023. Disponível em: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-13092023-143213/. Acesso em: 28 nov. 2025.
APA
Anghinoni, L. (2023). Structure characterization of complex networks for machine learning (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/55/55134/tde-13092023-143213/
NLM
Anghinoni L. Structure characterization of complex networks for machine learning [Internet]. 2023 ;[citado 2025 nov. 28 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-13092023-143213/
Vancouver
Anghinoni L. Structure characterization of complex networks for machine learning [Internet]. 2023 ;[citado 2025 nov. 28 ] Available from: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-13092023-143213/
Artigo de periodico
Characterizing data patterns with core-periphery network modeling (2023)
Jianglong, Yan; Anghinoni, Leandro ; Yu-Tao, Zhu; Weiguang, Liu; Gen, Li; Qiusheng, Zheng; Liang, Zhao
Fonte: Journal of Computational Science. Unidades: FFCLRP, ICMC
Assuntos: REDES COMPLEXAS, RECONHECIMENTO DE IMAGEM, RADIOGRAFIA, COVID-19
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
ABNT
JIANGLONG, Yan et al. Characterizing data patterns with core-periphery network modeling. Journal of Computational Science, v. 66, n. Ja 2023, p. 1-13, 2023Tradução . . Disponível em: https://doi.org/10.1016/j.jocs.2022.101912. Acesso em: 28 nov. 2025.
APA
Jianglong, Y., Anghinoni, L., Yu-Tao, Z., Weiguang, L., Gen, L., Qiusheng, Z., & Liang, Z. (2023). Characterizing data patterns with core-periphery network modeling. Journal of Computational Science, 66( Ja 2023), 1-13. doi:10.1016/j.jocs.2022.101912
NLM
Jianglong Y, Anghinoni L, Yu-Tao Z, Weiguang L, Gen L, Qiusheng Z, Liang Z. Characterizing data patterns with core-periphery network modeling [Internet]. Journal of Computational Science. 2023 ; 66( Ja 2023): 1-13.[citado 2025 nov. 28 ] Available from: https://doi.org/10.1016/j.jocs.2022.101912
Vancouver
Jianglong Y, Anghinoni L, Yu-Tao Z, Weiguang L, Gen L, Qiusheng Z, Liang Z. Characterizing data patterns with core-periphery network modeling [Internet]. Journal of Computational Science. 2023 ; 66( Ja 2023): 1-13.[citado 2025 nov. 28 ] Available from: https://doi.org/10.1016/j.jocs.2022.101912

Unidades USP

ReP

Filtros

Autores

Assuntos

Agência de fomento

Indexado em

Afiliação dos autores externos não normalizada