Littérature scientifique sur le sujet « Functional Pruning »
Créez une référence correcte selon les styles APA, MLA, Chicago, Harvard et plusieurs autres
Consultez les listes thématiques d’articles de revues, de livres, de thèses, de rapports de conférences et d’autres sources académiques sur le sujet « Functional Pruning ».
À côté de chaque source dans la liste de références il y a un bouton « Ajouter à la bibliographie ». Cliquez sur ce bouton, et nous générerons automatiquement la référence bibliographique pour la source choisie selon votre style de citation préféré : APA, MLA, Harvard, Vancouver, Chicago, etc.
Vous pouvez aussi télécharger le texte intégral de la publication scolaire au format pdf et consulter son résumé en ligne lorsque ces informations sont inclues dans les métadonnées.
Articles de revues sur le sujet "Functional Pruning"
SHAMIR, N., D. SAAD et E. MAROM. « NEURAL NET PRUNING BASED ON FUNCTIONAL BEHAVIOR OF NEURONS ». International Journal of Neural Systems 04, no 02 (juin 1993) : 143–58. http://dx.doi.org/10.1142/s0129065793000134.
Texte intégralElston, G. N., T. Oga et I. Fujita. « Spinogenesis and Pruning Scales across Functional Hierarchies ». Journal of Neuroscience 29, no 10 (11 mars 2009) : 3271–75. http://dx.doi.org/10.1523/jneurosci.5216-08.2009.
Texte intégralIwasaki, Hideya, Takeshi Morimoto et Yasunao Takano. « Pruning with improving sequences in lazy functional programs ». Higher-Order and Symbolic Computation 24, no 4 (novembre 2011) : 281–309. http://dx.doi.org/10.1007/s10990-012-9086-3.
Texte intégralLugaresi, Adriana, Cristiano André Steffens, Angélica Schmitz Heinzen, Cristhian Leonardo Fenili, Alberto Fontanella Brighenti, Mariuccia Schlichting De Martin et Cassandro Vidal Talamini do Amarante. « The influence of the summer pruning on ‘Fuji’ apples storage under controlled atmosphere ». Acta Scientiarum. Agronomy 46, no 1 (12 décembre 2023) : e63557. http://dx.doi.org/10.4025/actasciagron.v46i1.63557.
Texte intégralLi, J., J. Liu, H. Toivonen et J. Yong. « Effective Pruning for the Discovery of Conditional Functional Dependencies ». Computer Journal 56, no 3 (24 juin 2012) : 378–92. http://dx.doi.org/10.1093/comjnl/bxs082.
Texte intégralZhang, Qi, Ying Zhang, Pengyao Miao, Meihui Chen, Mengru Du, Xiaomin Pang, Jianghua Ye, Haibin Wang et Xiaoli Jia. « Effects of Pruning on Tea Tree Growth, Soil Enzyme Activity and Microbial Diversity ». Agronomy 13, no 5 (25 avril 2023) : 1214. http://dx.doi.org/10.3390/agronomy13051214.
Texte intégralLow, Lawrence K., et Hwai-Jong Cheng. « Axon pruning : an essential step underlying the developmental plasticity of neuronal connections ». Philosophical Transactions of the Royal Society B : Biological Sciences 361, no 1473 (28 juillet 2006) : 1531–44. http://dx.doi.org/10.1098/rstb.2006.1883.
Texte intégralLeporini, Mariarosaria, Rosa Tundis, Vincenzo Sicari et Monica Rosa Loizzo. « Citrus species : Modern functional food and nutraceutical-based product ingredient ». Italian Journal of Food Science 33, no 2 (27 mai 2021) : 63–107. http://dx.doi.org/10.15586/ijfs.v33i2.2009.
Texte intégralMäkelä, Annikki. « A Carbon Balance Model of Growth and Self-Pruning in Trees Based on Structural Relationships ». Forest Science 43, no 1 (1 février 1997) : 7–24. http://dx.doi.org/10.1093/forestscience/43.1.7.
Texte intégralSun, Xiaochuan, Yu Wang, Mingxiang Hao, Yingqi Li et Tianyu Huang. « Reservoir structure optimization of echo state networks : A detrended multiple cross-correlation pruning perspective ». Journal of Intelligent & ; Fuzzy Systems 46, no 5-6 (24 octobre 2024) : 11263–75. http://dx.doi.org/10.3233/jifs-233605.
Texte intégralThèses sur le sujet "Functional Pruning"
Shabarshova, Liudmila. « Geometric functional pruning for change point detection in low-dimensional exponential family models ». Electronic Thesis or Diss., université Paris-Saclay, 2024. http://www.theses.fr/2024UPASM026.
Texte intégralChange point detection is a common unsupervised learning problem in many application areas, especially in biology, genomics, sensor network monitoring, and cyber-security. Typically, either a posteriori change detection, i.e. offline, or sequential change detection, i.e. online, is considered.Standard dynamic programming methods for change point detection have been proposed to optimise either the likelihood or the log-likelihood ratio of a change point model. These methods are exact and recover optimal segmentations. However, they have quadratic complexity. Continuously reducing the set of potential change point candidates, called pruning, is a way to reduce the computational complexity of standard dynamic programming methods. Over the last decade, a new class of dynamic programming methods, called functional pruning, has been proposed. The functional pruning techniques used in these methods have already proved to be computationally efficient for univariate parametric change point models. Extending univariate functional pruning rules to multivariate settings is difficult if we aim for the most efficient pruning. It leads to non-convex optimisation problems.This thesis introduces two novel, computationally efficient, functional pruning dynamic programming methods for the detection of change points in low-dimensional exponential family models: the offline multiple change point detection method, GeomFPOP (Kmax = ∞), and the online single change point detection method, MdFOCuS.Computational geometry is the basis of the functional pruning rules for these methods. The pruning rule of GeomFPOP (Kmax = ∞) uses a geometric heuristic to update and prune potential change point candidates over time. The pruning rule of MdFOCuS uses a connection to a convex hull problem that simplifies the search for change point location to be pruned. Further we mathematically demonstrate that this pruning technique leads to a quasi-linear runtime complexity.These two pruning rules show significant improvements in computational complexity for low-dimensional exponential family models in simulation studies. In one minute, the Rcpp implementations of these methods can process more than 2 × 106 observations in a bivariate signal without change with i.i.d. Gaussian noise
Prewitt, Sarah F. « Phylogenetic and Functional Characterization of Cotton (Gossypium hirsutum) CENTRORADIALIS/TERMINAL FLOWER1/SELF-PRUNING Genes ». Thesis, University of North Texas, 2017. https://digital.library.unt.edu/ark:/67531/metadc1062895/.
Texte intégralPalm, Emanuel. « Implications and Impact of Blockchain Transaction Pruning ». Thesis, Luleå tekniska universitet, Institutionen för system- och rymdteknik, 2017. http://urn.kb.se/resolve?urn=urn:nbn:se:ltu:diva-64986.
Texte intégralKučírek, Tomáš. « Umělá inteligence pro hraní her ». Master's thesis, Vysoké učení technické v Brně. Fakulta informačních technologií, 2012. http://www.nusl.cz/ntk/nusl-412861.
Texte intégralKubisz, Jan. « Využití umělé inteligence k monitorování stavu obráběcího stroje ». Master's thesis, Vysoké učení technické v Brně. Fakulta strojního inženýrství, 2020. http://www.nusl.cz/ntk/nusl-417752.
Texte intégralChapitres de livres sur le sujet "Functional Pruning"
Qiu, Shoumeng, Yuzhang Gu et Xiaolin Zhang. « BFRIFP : Brain Functional Reorganization Inspired Filter Pruning ». Dans Lecture Notes in Computer Science, 16–28. Cham : Springer International Publishing, 2021. http://dx.doi.org/10.1007/978-3-030-86380-7_2.
Texte intégralQiu, Shoumeng, Yuzhang Gu et Xiaolin Zhang. « Correction to : BFRIFP : Brain Functional Reorganization Inspired Filter Pruning ». Dans Lecture Notes in Computer Science, C1. Cham : Springer International Publishing, 2021. http://dx.doi.org/10.1007/978-3-030-86380-7_57.
Texte intégralZouggar, Souad Taleb, et Abdelkader Adla. « A New Function for Ensemble Pruning ». Dans Decision Support Systems VIII : Sustainable Data-Driven and Evidence-Based Decision Support, 181–90. Cham : Springer International Publishing, 2018. http://dx.doi.org/10.1007/978-3-319-90315-6_15.
Texte intégralSha, Chaofeng, Keqiang Wang, Xiaoling Wang et Aoying Zhou. « Ensemble Pruning : A Submodular Function Maximization Perspective ». Dans Database Systems for Advanced Applications, 1–15. Cham : Springer International Publishing, 2014. http://dx.doi.org/10.1007/978-3-319-05813-9_1.
Texte intégralShi, Daming, Junbin Gao, Daniel So Yeung et Fei Chen. « Radial Basis Function Network Pruning by Sensitivity Analysis ». Dans Advances in Artificial Intelligence, 380–90. Berlin, Heidelberg : Springer Berlin Heidelberg, 2004. http://dx.doi.org/10.1007/978-3-540-24840-8_27.
Texte intégralSutton-Charani, Nicolas, Sébastien Destercke et Thierry Denœux. « Training and Evaluating Classifiers from Evidential Data : Application to E2M Decision Tree Pruning ». Dans Belief Functions : Theory and Applications, 87–94. Cham : Springer International Publishing, 2014. http://dx.doi.org/10.1007/978-3-319-11191-9_10.
Texte intégralBorera, Eddy C., Larry D. Pyeatt, Arisoa S. Randrianasolo et Madhi Naser-Moghadasi. « POMDP Filter : Pruning POMDP Value Functions with the Kaczmarz Iterative Method ». Dans Advances in Artificial Intelligence, 254–65. Berlin, Heidelberg : Springer Berlin Heidelberg, 2010. http://dx.doi.org/10.1007/978-3-642-16761-4_23.
Texte intégralHoque, Md Tamjidul, Madhu Chetty et Laurence S. Dooley. « Efficient Computation of Fitness Function by Pruning in Hydrophobic-Hydrophilic Model ». Dans Biological and Medical Data Analysis, 346–54. Berlin, Heidelberg : Springer Berlin Heidelberg, 2005. http://dx.doi.org/10.1007/11573067_35.
Texte intégralParkinson, Randall W., Monica Perez-Bedmar et Jenna A. Santangelo. « Red mangrove (Rhizophora mangle L.) litter fall response to selective pruning (Indian River Lagoon, Florida, U.S.A.) ». Dans Diversity and Function in Mangrove Ecosystems, 63–76. Dordrecht : Springer Netherlands, 1999. http://dx.doi.org/10.1007/978-94-011-4078-2_7.
Texte intégralLi, Jing, Bao-Liang Lu et Michinori Ichikawa. « An Algorithm for Pruning Redundant Modules in Min-Max Modular Network with GZC Function ». Dans Lecture Notes in Computer Science, 293–302. Berlin, Heidelberg : Springer Berlin Heidelberg, 2005. http://dx.doi.org/10.1007/11539087_35.
Texte intégralActes de conférences sur le sujet "Functional Pruning"
Yang, Dun-An, Jing-Jia Liou et Harry H. Chen. « Transient Fault Pruning for Effective Candidate Reduction in Functional Debugging ». Dans 2022 IEEE International Test Conference (ITC). IEEE, 2022. http://dx.doi.org/10.1109/itc50671.2022.00014.
Texte intégralLi, Qingwei, Wenyong Zhang, Zhiwen Shen et He Qifeng. « Photovoltaic power output forecasting based on similar day analysis and sensitive pruning extreme learning machine ». Dans 2022 International Conference on Optoelectronic Information and Functional Materials (OIFM 2022), sous la direction de Chao Zuo. SPIE, 2022. http://dx.doi.org/10.1117/12.2638674.
Texte intégralCheng, Feng, et Zhe Yang. « New Pruning Methods for Mining Minimal Functional Dependencies from Large-Scale Distributed Data ». Dans 2018 Sixth International Conference on Advanced Cloud and Big Data (CBD). IEEE, 2018. http://dx.doi.org/10.1109/cbd.2018.00055.
Texte intégralMandros, Panagiotis, Mario Boley et Jilles Vreeken. « Discovering Reliable Dependencies from Data : Hardness and Improved Algorithms ». Dans Twenty-Eighth International Joint Conference on Artificial Intelligence {IJCAI-19}. California : International Joint Conferences on Artificial Intelligence Organization, 2019. http://dx.doi.org/10.24963/ijcai.2019/864.
Texte intégralGhosh, Gourhari, Ajay Sidpara et P. P. Bandyopadhyay. « Characterization of Nanofinished WC-Co Coating Using Advanced 3D Surface Texture Parameters ». Dans ASME 2018 13th International Manufacturing Science and Engineering Conference. American Society of Mechanical Engineers, 2018. http://dx.doi.org/10.1115/msec2018-6592.
Texte intégralLiu, Yuchen, S. Y. Kung et David Wentzlaff. « Evolving transferable neural pruning functions ». Dans GECCO '22 : Genetic and Evolutionary Computation Conference. New York, NY, USA : ACM, 2022. http://dx.doi.org/10.1145/3512290.3528694.
Texte intégralRodriguez Lizana, Antonio, Maria Joao Pereira, Alzira Ramos, Manuel Moreno Garcia et Manuel Ribeiro. « STUDY OF THE UNCERTAINTY OF THE AMOUNT OF PRUNING IN THE OLIVE GROVE USING GEOSTATISTICAL ALGORITHMS ». Dans 22nd International Multidisciplinary Scientific GeoConference 2022. STEF92 Technology, 2022. http://dx.doi.org/10.5593/sgem2022v/3.2/s14.50.
Texte intégralOliveira, Saulo A. F., Ajalmar R. Rocha Neto et João P. P. Gomes. « On Model Complexity Reduction in Instance-Based Learners ». Dans Anais Estendidos da Conference on Graphics, Patterns and Images. Sociedade Brasileira de Computação - SBC, 2022. http://dx.doi.org/10.5753/sibgrapi.est.2022.23253.
Texte intégralFlávia de A. Campos, Lívia, Liara M. de Mattos, Aline D. P. dos Santos et Luis C. Paschoarelli. « An Approach to Evaluation of Aesthetic Function on Usability : An Exploratory Study About Descriptors of Aesthetic in Pruning Shears ». Dans Applied Human Factors and Ergonomics Conference. AHFE International, 2022. http://dx.doi.org/10.54941/ahfe1001315.
Texte intégralSetiono, R., et A. Gaweda. « Neural network pruning for function approximation ». Dans Proceedings of the IEEE-INNS-ENNS International Joint Conference on Neural Networks. IJCNN 2000. Neural Computing : New Challenges and Perspectives for the New Millennium. IEEE, 2000. http://dx.doi.org/10.1109/ijcnn.2000.859435.
Texte intégral