Menu

Filtros : "International Journal of Approximate Reasoning" "APRENDIZADO COMPUTACIONAL" Limpar

Filtros

Limitar por data

  • 1

1 - 3 (3 registros)

  • Artigo de periodico

    Adding imprecision to hypotheses: a Bayesian framework for testing practical significance in nonparametric settings (2025)

    Lassance, Rodrigo Ferrari Lucas; Izbicki, Rafael ; Stern, Rafael Bassi

    Fonte: International Journal of Approximate Reasoning. Unidade: IME

    Assuntos: INFERÊNCIA BAYESIANA, INTELIGÊNCIA ARTIFICIAL, APRENDIZADO COMPUTACIONAL

    Versão PublicadaAcesso à fonteDOIComo citar
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

    • ABNT

      LASSANCE, Rodrigo Ferrari Lucas e IZBICKI, Rafael e STERN, Rafael Bassi. Adding imprecision to hypotheses: a Bayesian framework for testing practical significance in nonparametric settings. International Journal of Approximate Reasoning, v. 178, n. artigo 109332, p. 1-25, 2025Tradução . . Disponível em: https://doi.org/10.1016/j.ijar.2024.109332. Acesso em: 09 nov. 2025.

    • APA

      Lassance, R. F. L., Izbicki, R., & Stern, R. B. (2025). Adding imprecision to hypotheses: a Bayesian framework for testing practical significance in nonparametric settings. International Journal of Approximate Reasoning, 178( artigo 109332), 1-25. doi:10.1016/j.ijar.2024.109332

    • NLM

      Lassance RFL, Izbicki R, Stern RB. Adding imprecision to hypotheses: a Bayesian framework for testing practical significance in nonparametric settings [Internet]. International Journal of Approximate Reasoning. 2025 ; 178( artigo 109332): 1-25.[citado 2025 nov. 09 ] Available from: https://doi.org/10.1016/j.ijar.2024.109332

    • Vancouver

      Lassance RFL, Izbicki R, Stern RB. Adding imprecision to hypotheses: a Bayesian framework for testing practical significance in nonparametric settings [Internet]. International Journal of Approximate Reasoning. 2025 ; 178( artigo 109332): 1-25.[citado 2025 nov. 09 ] Available from: https://doi.org/10.1016/j.ijar.2024.109332

  • Artigo de periodico

    Efficient algorithms for robustness analysis of maximum a posteriori inference in selective sum-product networks (2020)

    Villanueva Llerena, Julissa ; Mauá, Denis Deratani

    Fonte: International Journal of Approximate Reasoning. Unidade: IME

    Assuntos: MODELOS PARA PROCESSOS ESTOCÁSTICOS, APRENDIZADO COMPUTACIONAL

    PrivadoAcesso à fonteDOIComo citar
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

    • ABNT

      VILLANUEVA LLERENA, Julissa e MAUÁ, Denis Deratani. Efficient algorithms for robustness analysis of maximum a posteriori inference in selective sum-product networks. International Journal of Approximate Reasoning, v. 126, p. 158-180-, 2020Tradução . . Disponível em: https://doi.org/10.1016/j.ijar.2020.07.008. Acesso em: 09 nov. 2025.

    • APA

      Villanueva Llerena, J., & Mauá, D. D. (2020). Efficient algorithms for robustness analysis of maximum a posteriori inference in selective sum-product networks. International Journal of Approximate Reasoning, 126, 158-180-. doi:10.1016/j.ijar.2020.07.008

    • NLM

      Villanueva Llerena J, Mauá DD. Efficient algorithms for robustness analysis of maximum a posteriori inference in selective sum-product networks [Internet]. International Journal of Approximate Reasoning. 2020 ; 126 158-180-.[citado 2025 nov. 09 ] Available from: https://doi.org/10.1016/j.ijar.2020.07.008

    • Vancouver

      Villanueva Llerena J, Mauá DD. Efficient algorithms for robustness analysis of maximum a posteriori inference in selective sum-product networks [Internet]. International Journal of Approximate Reasoning. 2020 ; 126 158-180-.[citado 2025 nov. 09 ] Available from: https://doi.org/10.1016/j.ijar.2020.07.008

  • Artigo de periodico

    Speeding up parameter and rule learning for acyclic probabilistic logic programs (2019)

    Faria, Francisco Henrique Otte Vieira de ; Gusmão, Arthur Colombini ; De Bona, Glauber ; Mauá, Denis Deratani ; Cozman, Fabio Gagliardi

    Fonte: International Journal of Approximate Reasoning. Unidades: EP, IME

    Assuntos: PROGRAMAÇÃO LÓGICA, APRENDIZADO COMPUTACIONAL

    PrivadoAcesso à fonteDOIComo citar
    A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

    • ABNT

      FARIA, Francisco Henrique Otte Vieira de et al. Speeding up parameter and rule learning for acyclic probabilistic logic programs. International Journal of Approximate Reasoning, v. 106, p. 32-50, 2019Tradução . . Disponível em: https://doi.org/10.1016/j.ijar.2018.12.012. Acesso em: 09 nov. 2025.

    • APA

      Faria, F. H. O. V. de, Gusmão, A. C., De Bona, G., Mauá, D. D., & Cozman, F. G. (2019). Speeding up parameter and rule learning for acyclic probabilistic logic programs. International Journal of Approximate Reasoning, 106, 32-50. doi:10.1016/j.ijar.2018.12.012

    • NLM

      Faria FHOV de, Gusmão AC, De Bona G, Mauá DD, Cozman FG. Speeding up parameter and rule learning for acyclic probabilistic logic programs [Internet]. International Journal of Approximate Reasoning. 2019 ; 106 32-50.[citado 2025 nov. 09 ] Available from: https://doi.org/10.1016/j.ijar.2018.12.012

    • Vancouver

      Faria FHOV de, Gusmão AC, De Bona G, Mauá DD, Cozman FG. Speeding up parameter and rule learning for acyclic probabilistic logic programs [Internet]. International Journal of Approximate Reasoning. 2019 ; 106 32-50.[citado 2025 nov. 09 ] Available from: https://doi.org/10.1016/j.ijar.2018.12.012
  • 1

1 - 3 (3 registros)

Biblioteca Digital de Produção Intelectual da Universidade de São Paulo     2012 - 2025