Zobrazeno 1 - 8
of 8
pro vyhledávání: '"Schoeman J. C."'
Publikováno v:
MATEC Web of Conferences, Vol 370, p 07006 (2022)
This paper proposes a novel approach of Gaussian process observation set compression based on a squared difference measure. It is used to discard observations to speed up Gaussian process prediction while retaining the information encoded in the full
Externí odkaz:
https://doaj.org/article/2c38e896eef349d3a9db8bfa47b231b2
Bayesian optimization (BO) is a popular method for optimizing expensive black-box functions. BO has several well-documented shortcomings, including computational slowdown with longer optimization runs, poor suitability for non-stationary or ill-condi
Externí odkaz:
http://arxiv.org/abs/2311.11328
Traditional multi-agent reinforcement learning (MARL) algorithms, such as independent Q-learning, struggle when presented with partially observable scenarios, and where agents are required to develop delicate action sequences. This is often the resul
Externí odkaz:
http://arxiv.org/abs/2211.10100
Publikováno v:
International Journal of Approximate Reasoning, vol. 143, pp. 159-191, 2022
In this paper, we propose a parametrised factor that enables inference on Gaussian networks where linear dependencies exist among the random variables. Our factor representation is effectively a generalisation of traditional Gaussian parametrisations
Externí odkaz:
http://arxiv.org/abs/2104.15010
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Schoeman JC; South African Military Health Service, Pretoria.
Publikováno v:
Medicine, conflict, and survival [Med Confl Surviv] 2000 Jul-Sep; Vol. 16 (3), pp. 302-9.