 | Monter d'un niveau |
Réseau de collaborationCe graphique trace les liens entre tous les collaborateurs des publications de {} figurant sur cette page.
Chaque lien représente une collaboration sur la même publication. L'épaisseur du lien représente le nombre de collaborations.
Utilisez la molette de la souris ou les gestes de défilement pour zoomer à l'intérieur du graphique.
Vous pouvez cliquer sur les noeuds et les liens pour les mettre en surbrillance et déplacer les noeuds en les glissant.
Enfoncez la touche "Ctrl" ou la touche "⌘" en cliquant sur les noeuds pour ouvrir la liste des publications de cette personne.
Nuage de motsUn nuage de mots est une représentation visuelle des mots les plus fréquemment utilisés dans un texte ou un ensemble de textes. Les mots apparaissent dans différentes tailles, la taille de chaque mot étant proportionnelle à sa fréquence d'apparition dans le texte. Plus un mot est utilisé fréquemment, plus il apparaît en grand dans le nuage de mots. Cette technique permet de visualiser rapidement les thèmes et les concepts les plus importants d'un texte.
Dans le contexte de cette page, le nuage de mots a été généré à partir des publications de l'auteur {}. Les mots présents dans ce nuage proviennent des titres, résumés et mots-clés des articles et travaux de recherche de cet auteur. En analysant ce nuage de mots, vous pouvez obtenir un aperçu des sujets et des domaines de recherche les plus récurrents et significatifs dans les travaux de cet auteur.Le nuage de mots est un outil utile pour identifier les tendances et les thèmes principaux dans un corpus de textes, facilitant ainsi la compréhension et l'analyse des contenus de manière visuelle et intuitive.
Deka, B., Nguyen, L. H., & Goulet, J. A. (2023). Analytically tractable heteroscedastic uncertainty quantification in Bayesian neural networks for regression tasks. Neurocomputing, 127183 (20 pages). Lien externe
Goulet, J. A., & Nguyen, L. H. (juillet 2023). Bayesian neural networks for probabilistic surrogate models - uncertainty quantification, propagation and sensitivity analysis [Communication écrite]. 14th International Conference on Applications of Statistics and Probability in Civil Engineering (ICASP14), Dublin, Ireland (8 pages). Lien externe
Goulet, J. A., Nguyen, L. H., & Amiri, S. (2021). Tractable Approximate Gaussian Inference for Bayesian Neural Networks. Journal of Machine Learning Research, 22(251), 23 pages. Lien externe
Khazaeli, S., Nguyen, L. H., & Goulet, J. A. (2021). Anomaly detection using state-space models and reinforcement learning. Structural Control and Health Monitoring, 28(6), 23 pages. Lien externe
Nguyen, L. H., & Goulet, J. A. (2022). Analytically Tractable Hidden-States Inference in Bayesian Neural Networks. Journal of Machine Learning Research, 23(50), 33 pages. Disponible
Nguyen, L. H. (2019). Real-time Anomaly Detection in the Behaviour of Structures [Thèse de doctorat, Polytechnique Montréal]. Disponible
Nguyen, L. H., Gaudot, I., Khazaeli, S., & Goulet, J. A. (2019). A kernel-based method for modeling non-harmonic periodic phenomena in bayesian dynamic linear models. Frontiers in Built Environment, 5, 8. Disponible
Nguyen, L. H., & Goulet, J. A. (2019). Real-time anomaly detection with Bayesian dynamic linear models. Structural Control and Health Monitoring, 26(9), 17 pages. Lien externe
Nguyen, L. H., Gaudot, I., & Goulet, J. A. (2019). Uncertainty quantification for model parameters and hidden state variables in Bayesian dynamic linear models. Structural Control & Health Monitoring, 26(3), e2309 (20 pages). Lien externe
Nguyen, L. H., & Goulet, J. A. (2018). Structural health monitoring with dependence on non-harmonic periodic hidden covariates. Engineering Structures, 166, 187-194. Disponible
Nguyen, L. H., & Goulet, J. A. (2018). Anomaly detection with the Switching Kalman Filter for structural health monitoring. Structural Control and Health Monitoring, 25(4), 1-18. Disponible
Vuong, V.-D., Nguyen, L. H., & Goulet, J. A. (2024). Coupling LSTM neural networks and state-space models through analytically tractable inference. International Journal of Forecasting, 13 pages. Lien externe
