Novembro, 2025 George D. C. Cavalcanti DOI: 10.1007/s10994-025-06909-8 Machine Learning Maia, C.M., de Amorim, L.B.V., Cavalcanti, […]
Novembro, 2025 Nivan Ferreira DOI: 10.1007/s110.1109/TVCG.2025.36355280994-024-06607-x IEEE Transactions on Visualization and Computer Graphics S. Cobeli, K. […]
Setembro, 2025 Ricardo Prudêncio DOI: 10.1007/s10994-025-06873-3 Machine Learning João Luiz Junho Pereira, Alfredo Antonio Alencar Exposito […]
Setembro, 2024 Francisco Carvalho DOI: 10.1007/s10994-024-06607-x Machine Learning Palomino Mariño, L.M., Tenorio de Carvalho, F.d.A. Self-organizing […]
Este artigo apresenta um modelo de disponibilidade estocástica projetado por meio de uma Rede de Petri Estocástica (SPN) que considera o envelhecimento dos satélites, oferecendo suporte ao planejamento de infraestrutura ao integrar considerações de manutenção programada e não programada.
Neste artigo, propomos os primeiros algoritmos baseados em kernel que podem aprender o hiperparâmetro de largura do kernel gaussiano automaticamente para coagrupamento rígido e fuzzy.
Neste estudo, propomos uma estrutura AMC robusta baseada em redes neurais bayesianas (BNN) para mitigar o impacto de ataques adversários
Este trabalho propõe a estrutura Meta-learning for Imbalanced Regression (Meta-IR), que diverge da literatura existente ao treinar metaclassificadores para recomendar o melhor pipeline composto pela estratégia de reamostragem e modelo de aprendizagem por tarefa de forma zero-shot.
Diante das crescentes necessidades computacionais do aprendizado de máquina, os desenvolvedores criaram ferramentas de geração de relatórios de energia e carbono para calcular e comunicar o impacto ambiental de seus modelos. Este trabalho as analisa de forma crítica e sistemática em relação ao seu conteúdo, forma e processo de design.
Este estudo se concentra em investigar e descobrir a vulnerabilidade dos classificadores de modulação modernos às ameaças adversárias.