埃内斯·马卡利奇
人员信息
优化列表
![笔记](https://dblp.uni-trier.de/img/note-mark.dark.12x12.png)
2020年–今天
2023 [公元9年] Enes Makalic公司 , 丹尼尔·施密特 :
减小偏差的威布尔分布的最大似然估计。 统计计算。 33 ( 三 ) : 69 ( 2023 ) [公元26年] Enes Makalic公司 , 丹尼尔·施密特 :
完全数据和截尾数据下威布尔分布的最小消息长度推断。 人工智能(1) 2023 : 291-303 2022 [j8] Enes Makalic公司 , 丹尼尔·施密特 :
一种有效的sin采样算法 k ( x )用于生成随机相关矩阵。 Commun公司。 统计模拟。 计算。 51 ( 5 ) : 2731-2735 ( 2022 ) [公元25年] 舒玉图 , 丹尼尔·施密特 , Enes Makalic公司 :
通过期望最大化估计稀疏马蹄形。 ECML/PKDD(5) 2022 : 123-139 [i2] 舒玉图 , 丹尼尔·施密特 , Enes Makalic公司 :
通过期望最大化估计稀疏马蹄形。 CoRR公司 abs/2211.03248 ( 2022 ) 2021 [j7] Enes Makalic公司 , 丹尼尔·弗朗西斯·施密特 :
I型截尾指数分布的最小消息长度推断。 熵 23 ( 11 ) : 1439 ( 2021 )
2010 – 2019
2019 [公元24年] 丹尼尔·施密特 , 埃内斯·马卡利奇 :
广义线性模型的贝叶斯广义马蹄估计。 ECML/PKDD(2) 2019 : 598-613 2018 [i1] 丹尼尔·施密特 , Enes Makalic公司 :
基于对数尺度收缩先验的自适应贝叶斯收缩估计。 CoRR公司 abs/1801.02321 ( 2018 ) 2017 【c23】 丹尼尔·施密特 , Enes Makalic公司 :
基于学生t残差的稳健拉索回归。 澳大利亚人工智能会议 2017 : 365-374 2016 [j6] Enes Makalic公司 , 丹尼尔·施密特 :
马蹄形估计器的简单取样器。 IEEE信号处理。 莱特。 23 ( 1 ) : 179-182 ( 2016 ) [公元22年] 徐泽梅 , 丹尼尔·施密特 , Enes Makalic公司 , 郭其谦 , 约翰·霍珀 :
贝叶斯分组马蹄回归及其在可加模型中的应用。 澳大利亚人工智能会议 2016 : 229-240 【c21】 Enes Makalic公司 , 丹尼尔·施密特 , 约翰·霍珀 :
马蹄+估计的贝叶斯稳健回归。 澳大利亚人工智能会议 2016 : 429-440 [公元20年] 丹尼尔·施密特 , Enes Makalic公司 , 约翰·霍珀 :
使用后验抽样近似层次贝叶斯模型的消息长度。 澳大利亚人工智能会议 2016 : 482-494 2015 [j5] 本杰明·古迪 , 马尼·阿贝迪尼 , 约翰·霍珀 , 迈克尔·伊诺伊 , Enes Makalic公司 , 丹尼尔·施密特 , 约翰·华格纳 , 周泽瑜 , 贾斯汀·佐贝尔 , 马蒂亚斯·鲁曼 :
高性能计算支持在全基因组关联研究中对高阶单核苷酸多态性相互作用进行详尽分析。 健康信息科学。 系统。 三 ( 1 ) ( 2015 ) 2013 [第19条] Enes Makalic公司 , 丹尼尔·施密特 , 约翰·霍珀 :
深度(DEPTH):一种新的特征排序算法,并应用于全基因组关联研究。 澳大利亚人工智能会议 2013 : 80-85 [第18条] 丹尼尔·施密特 , Enes Makalic公司 :
广义线性模型的最小消息长度岭回归。 澳大利亚人工智能会议 2013 : 408-420 2012 【j4】 丹尼尔·弗朗西斯·施密特 , Enes Makalic公司 :
信噪比增加的线性回归模型的MDL一致性。 IEEE传输。 信号处理。 60 ( 三 ) : 1508-1510 ( 2012 ) [第17条] 丹尼尔·施密特 , Enes Makalic公司 :
逆高斯分布的最小消息长度推断和混合建模。 澳大利亚人工智能会议 2012 : 672-682 [c16] Enes Makalic公司 , 丹尼尔·施密特 :
具有平移和旋转不变先验的MML Logistic回归。 澳大利亚人工智能会议 2012 : 878-889 [第15条] 马蒂亚斯·鲁曼 , Enes Makalic公司 , 本杰明·古迪 , 迈克尔·伊诺伊 , 阿德里安·比克斯塔夫 , 明布 , 丹尼尔·帕克 , 米罗斯瓦夫·卡普辛斯基 , 丹尼尔·施密特 , 周泽瑜 , 郭其谦 , 贾斯汀·佐贝尔 , 约翰·华格纳 , 约翰·霍珀 :
超级计算实现全基因组关联研究数据的详尽统计分析:初步结果。 欧洲工商管理委员会 2012 : 1258-1261 2011 [j3] 丹尼尔·弗朗西斯·施密特 , 埃内斯·马卡利奇 :
使用归一化最大似然估计自回归模型的阶。 IEEE传输。 信号处理。 59 ( 2 ) : 479-487 ( 2011 ) [第14条] Enes Makalic公司 , 丹尼尔·弗朗西斯·施密特 :
非负Garrote逻辑回归。 澳大利亚人工智能会议 2011 : 82-91 [第13条] Enes Makalic公司 , 丹尼尔·弗朗西斯·施密特 :
高维回归问题中特征排序的简单贝叶斯算法。 澳大利亚人工智能会议 2011 : 223-230 [第12条] Enes Makalic公司 , 丹尼尔·施密特 :
Behrens-Fisher问题的最小消息长度分析。 算法概率与友 2011 : 250-260 [第11条] Enes Makalic公司 , 劳埃德·阿利森 :
多层感知器的MMLD推断。 算法概率与朋友 2011 : 261-272 2010 [注2] Enes Makalic公司 , 丹尼尔·弗朗西斯·施密特 :
一阶移动平均模型Kullback-Leibler散度的快速计算和精确Fisher信息。 IEEE信号处理。 莱特。 17 ( 4 ) : 391-393 ( 2010 ) [第10条] Enes Makalic公司 , 丹尼尔·弗朗西斯·施密特 :
现代Logistic回归方法综述及其在中小样本问题中的应用。 澳大利亚人工智能会议 2010 : 213-222 【c9】 丹尼尔·弗朗西斯·施密特 , Enes Makalic公司 :
Akaike信息准则应用于模型的非嵌套序列时的行为。 澳大利亚人工智能会议 2010 : 223-232
2000 – 2009
2009 [j1] 丹尼尔·弗朗西斯·施密特 , Enes Makalic公司 :
指数分布的通用模型。 IEEE传输。 Inf.理论 55 ( 7 ) : 3087-3090 ( 2009 ) 【c8】 丹尼尔·弗朗西斯·施密特 , Enes Makalic公司 :
MML不变线性回归。 澳大利亚人工智能会议 2009 : 312-321 【c7】 英格丽德·祖克曼 , 帕特里克·叶 , 卡皮尔·库马尔·古普塔 , Enes Makalic公司 :
对话系统中话语序列的解读。 SIGDIAL会议 2009 : 46-53 2008 【c6】 英格丽德·祖克曼 , Enes Makalic公司 , 迈克尔·尼曼 :
使用概率特征匹配来理解口语描述。 澳大利亚人工智能会议 2008 : 157-167 【c5】 Enes Makalic公司 , 英格丽德·祖克曼 , 迈克尔·尼曼 :
机器人对话系统的口语解释组件。 INTERSPEECH公司 2008 : 195-198 【c4】 英格丽德·祖克曼 , Enes Makalic公司 , 迈克尔·尼曼 , 莎拉·乔治 :
口语解释的概率方法。 价格 2008 : 581-592 【c3】 Enes Makalic公司 , 英格丽德·祖克曼 , 迈克尔·尼曼 , 丹尼尔·弗朗西斯·施密特 :
理解复合口语描述的概率模型。 价格 2008 : 750-759 2007 【c2】 迈克尔·尼曼 , 英格丽德·祖克曼 , Enes Makalic公司 , 莎拉·乔治 :
口语口译中假设的生成与维持。 澳大利亚人工智能会议 2007 : 466-475 2003 【c1】 阿德里安·比克斯塔夫 , Enes Makalic公司 :
MML音乐流派分类。 澳大利亚人工智能会议 2003 : 1063-1071
合著者索引
![](https://dblp.uni-trier.de/img/cog.dark.24x24.png)