Projekty finansowane przez NCN

Dane kierownika projektu i jednostki realizującej

Szczegółowe informacje o projekcie i konkursie

Słowa kluczowe

Aparatura

Wyczyść formularz

Statystycznie spójne i skalowalne algorytmy uczące dla klasyfikacji strukturalnej

2013/09/D/ST6/03917

Słowa kluczowe:

uczenie maszynowe strukturalna klasyfikacja (strukturalne wyjścia) spójność statystyczna minmalizacja ryzyka skalowalne algorytmy uczące

Deskryptory:

  • ST6_11: Uczenie maszynowe, statystyczne przetwarzanie danych i zastosowanie w przetwarzaniu sygnałów
  • ST6_7: Sztuczna inteligencja, systemy inteligentne i wieloagentowe

Panel:

ST6 - Informatyka i technologie informacyjne: technologie i systemy informacyjne, informatyka, obliczenia naukowe, systemy inteligentne

Jednostka realizująca:

Politechnika Poznańska, Wydział Informatyki

woj. wielkopolskie

Inne projekty tej jednostki 

Kierownik projektu (z jednostki realizującej):

dr Krzysztof Dembczyński 

Liczba wykonawców projektu: 2

Konkurs: SONATA 5 - ogłoszony 2013-03-15

Przyznana kwota: 393 900 PLN

Rozpoczęcie projektu: 2014-03-24

Zakończenie projektu: 2017-03-23

Planowany czas trwania projektu: 36 miesięcy (z wniosku)

Status projektu: Projekt rozliczony

Dane z raportu końcowego/rocznego

  • Publikacje w czasopismach (4)
  • Teksty w publikacjach pokonferencyjnych (3)
  • Publikacje książkowe (1)
  1. Surrogate regret bounds for generalized classification performance metrics
    Autorzy:
    Wojciech Kotlowski, Krzysztof Dembczynski
    Czasopismo:
    Machine Learning (rok: 2017, tom: 106, strony: 549-572), Wydawca: Springer
    Status:
    Opublikowana
    Doi:
    10.1007/s10994-016-5591-7 - link do publikacji
  2. Exact and efficient top-K inference for multi-target prediction by querying separable linear relational models
    Autorzy:
    Michiel Stock, Krzysztof Dembczyński, Bernard De Baets, Willem Waegeman
    Czasopismo:
    Data Mining and Knowledge Discovery (rok: 2016, ), Wydawca: Springer
    Status:
    Przyjęta do publikacji
    Doi:
    10.1007/s10618-016-0456-z - link do publikacji
  3. Extreme classification under limited space and time budget
    Autorzy:
    Kalina Jasinska, Krzysztof Dembczyński
    Czasopismo:
    Schedae Informaticae (rok: 2016, tom: 25, strony: 45558), Wydawca: Uniwersytet Jagielloński
    Status:
    Opublikowana
    Doi:
    10.4467/20838476SI.16.001.6182 - link do publikacji
  4. Multi-target prediction: a unifying view on problems and methods
    Autorzy:
    Willem Waegeman, Krzysztof Dembczyński, Eyke Hüllermeier
    Czasopismo:
    Data Mining and Knowledge Discovery (rok: 2019, tom: 33, strony: 293–324), Wydawca: Springer
    Status:
    Opublikowana
    Doi:
    10.1007/s10618-018-0595-5 - link do publikacji
  1. Online F-Measure Optimization
    Autorzy:
    Róbert Busa-Fekete, Balázs Szörényi, Krzysztof Dembczyński, Eyke Hüllermeier
    Konferencja:
    Advances in Neural Information Processing Systems 28 (NIPS 2015) (rok: 2015, ), Wydawca: Curran Associates, Inc.
    Data:
    konferencja 7-12/12/2015
    Status:
    Opublikowana
    Doi:
    link do publikacji
  2. Surrogate regret bounds for generalized classification performance metrics
    Autorzy:
    Wojciech Kotłowski, Krzysztof Dembczyński
    Konferencja:
    Asian Conference on Machine Learning (rok: 2015, ), Wydawca: JMLR: Workshop and Conference Proceedings
    Data:
    konferencja 20-22/11/2015
    Status:
    Opublikowana
    Doi:
    link do publikacji
  3. Extreme F-measure Maximization using Sparse Probability Estimates
    Autorzy:
    Kalina Jasinska, Krzysztof Dembczynski, Róbert Busa-Fekete, Karlson Pfannschmidt, Timo Klerx, Eyke Hüllermeier
    Konferencja:
    International Conference on Machine Learning (rok: 2016, ), Wydawca: Proceedings of Machine Learning Research
    Data:
    konferencja 20-22 czerwiec 2016
    Status:
    Opublikowana
    Doi:
    link do publikacji
  1. Consistency of Probabilistic Classifier Trees
    Autorzy:
    Krzysztof Dembczynski, Wojciech Kotlowski, Willem Waegeman, Róbert Busa-Fekete, Eyke Hüllermeier
    Książka:
    ECML PKDD 2016: Machine Learning and Knowledge Discovery in Databases (rok: 2016, tom: 9852, strony: 511-526), Wydawca: Springer
    Status:
    Opublikowana
    Doi:
    link do publikacji

O Narodowym Centrum Nauki

Finansowanie nauki

Współpraca zagraniczna

Centrum prasowe

Deklaracja dostępności
Przetwarzanie danych osobowych
Polityka cookies

Partnerzy