Zobrazeno 1 - 10
of 39
pro vyhledávání: '"decision tree ensembles"'
Publikováno v:
Entropy, Vol 26, Iss 7, p 593 (2024)
We introduce NodeFlow, a flexible framework for probabilistic regression on tabular data that combines Neural Oblivious Decision Ensembles (NODEs) and Conditional Continuous Normalizing Flows (CNFs). It offers improved modeling capabilities for arbit
Externí odkaz:
https://doaj.org/article/3d7724cabe1f45f3ba2039c5e0c13468
Autor:
Ali Arjomandi-Nezhad, Amirhossein Ahmadi, Saman Taheri, Mahmud Fotuhi-Firuzabad, Moein Moeini-Aghtaie, Matti Lehtonen
Publikováno v:
IEEE Access, Vol 10, Pp 7098-7106 (2022)
Electricity demand forecast is necessary for power systems’ operation scheduling and management. However, power consumption is uncertain and depends on several factors. Moreover, since the onset of covid-19, the electricity consumption pattern went
Externí odkaz:
https://doaj.org/article/69e6f63d7f3d4432a6e3a67d6de13697
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Facial expression recognition applications demand accurate and fast algorithms that can run in real time on platforms with limited computational resources. We propose an algorithm that bridges the gap between precise but slow methods and fast but les
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::1f3f980c758b28b021b7e6e5f679a283
http://urn.kb.se/resolve?urn=urn:nbn:se:liu:diva-164181
http://urn.kb.se/resolve?urn=urn:nbn:se:liu:diva-164181
Autor:
Samuel Adams, Chaitali Choudhary, Martine de Cock, Rafael Dowsley, David Melanson, Anderson Nascimento, Davis Railsback, Jianwei Shen
Publikováno v:
PROCEEDINGS ON PRIVACY ENHANCING TECHNOLOGIES
Most existing Secure Multi-Party Computation (MPC) protocols for privacy-preserving training of decision trees over distributed data assume that the features are categorical. In real-life applications, features are often numerical. The standard “in
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::b20ce4f9af98eb140db574ec2692ec7f
http://arxiv.org/abs/2106.02769
http://arxiv.org/abs/2106.02769
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Despite its success and popularity, machine learning is now recognized as vulnerable to evasion attacks, i.e., carefully crafted perturbations of test inputs designed to force prediction errors. In this paper we focus on evasion attacks against decis
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::4df90e88589c5f8b5765163142ac2b67
http://arxiv.org/abs/1907.01197
http://arxiv.org/abs/1907.01197
Autor:
Franco Maria Nardini, Claudio Lucchese, Salvatore Orlando, Raffaele Perego, Rossano Venturini, Nicola Tonellotto, Francesco Lettich
Publikováno v:
IEEE Transactions on Parallel and Distributed Systems
IEEE transactions on parallel and distributed systems
30 (2019): 2075–2089. doi:10.1109/TPDS.2018.2860982
info:cnr-pdr/source/autori:Lettich F.; Lucchese C.; Nardini F.M.; Orlando S.; Perego R.; Tonellotto N.; Venturini R./titolo:Parallel Traversal of Large Ensembles of Decision Trees/doi:10.1109%2FTPDS.2018.2860982/rivista:IEEE transactions on parallel and distributed systems (Print)/anno:2019/pagina_da:2075/pagina_a:2089/intervallo_pagine:2075–2089/volume:30
IEEE transactions on parallel and distributed systems
30 (2019): 2075–2089. doi:10.1109/TPDS.2018.2860982
info:cnr-pdr/source/autori:Lettich F.; Lucchese C.; Nardini F.M.; Orlando S.; Perego R.; Tonellotto N.; Venturini R./titolo:Parallel Traversal of Large Ensembles of Decision Trees/doi:10.1109%2FTPDS.2018.2860982/rivista:IEEE transactions on parallel and distributed systems (Print)/anno:2019/pagina_da:2075/pagina_a:2089/intervallo_pagine:2075–2089/volume:30
Machine-learnt models based on additive ensembles of regression trees are currently deemed the best solution to address complex classification, regression, and ranking tasks. The deployment of such models is computationally demanding: to compute the
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::57b75b0fcc417f09483e87e39882e60f
http://hdl.handle.net/10278/3703670
http://hdl.handle.net/10278/3703670
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.