Attenzione: i dati modificati non sono ancora stati salvati. Per confermare inserimenti o cancellazioni di voci è necessario confermare con il tasto SALVA/INSERISCI in fondo alla pagina
IRIS
The ability to deal with partial or uncertain information is a fundamental requirement for systems working in the real world. In many applications, it is important to learn relations between the data even when they appear incomplete or corrupted by noise. In others, it is necessary to know how to react in presence of missing or unreliable inputs, for instance when sensors fail or provide noisy measurements. In this paper reviews some techniques and algorithms proposed in the literature for dealing with incomplete data in areas related to statistical pattern recognition, density estimation, and neural networks. Particular attention is given to methods based on statistical models which allow to cope also with noisy data
Dealing with Incomplete Data in Pattern Recognition
The ability to deal with partial or uncertain information is a fundamental requirement for systems working in the real world. In many applications, it is important to learn relations between the data even when they appear incomplete or corrupted by noise. In others, it is necessary to know how to react in presence of missing or unreliable inputs, for instance when sensors fail or provide noisy measurements. In this paper reviews some techniques and algorithms proposed in the literature for dealing with incomplete data in areas related to statistical pattern recognition, density estimation, and neural networks. Particular attention is given to methods based on statistical models which allow to cope also with noisy data
I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
Utilizza questo identificativo per citare o creare un link a questo documento: http://hdl.handle.net/11582/1447
Attenzione
Attenzione! I dati visualizzati non sono stati sottoposti a validazione da parte dell'ateneo
Citazioni
ND
social impact
simulazione ASN
Il report seguente simula gli indicatori relativi alla propria produzione scientifica in relazione alle soglie ASN 2021-2023 del proprio SC/SSD. Si ricorda che il superamento dei valori soglia (almeno 2 su 3) è requisito necessario ma non sufficiente al conseguimento dell'abilitazione. La simulazione si basa sui dati IRIS e sugli indicatori bibliometrici alla data indicata e non tiene conto di eventuali periodi di congedo obbligatorio, che in sede di domanda ASN danno diritto a incrementi percentuali dei valori. La simulazione può differire dall'esito di un’eventuale domanda ASN sia per errori di catalogazione e/o dati mancanti in IRIS, sia per la variabilità dei dati bibliometrici nel tempo. Si consideri che Anvur calcola i valori degli indicatori all'ultima data utile per la presentazione delle domande.
La presente simulazione è stata realizzata sulla base delle specifiche raccolte sul tavolo ER del Focus Group IRIS coordinato dall’Università di Modena e Reggio Emilia e delle regole riportate nel DM 589/2018 e allegata Tabella A. Cineca, l’Università di Modena e Reggio Emilia e il Focus Group IRIS non si assumono alcuna responsabilità in merito all’uso che il diretto interessato o terzi faranno della simulazione. Si specifica inoltre che la simulazione contiene calcoli effettuati con dati e algoritmi di pubblico dominio e deve quindi essere considerata come un mero ausilio al calcolo svolgibile manualmente o con strumenti equivalenti.