2 585
edições
(→Demais artigos científicos: HenGog2019) |
m (→HenGog2019) |
||
Linha 158: | Linha 158: | ||
* Entropy 2019, 21, 1161. https://doi.org/10.3390/e21121161 | * Entropy 2019, 21, 1161. https://doi.org/10.3390/e21121161 | ||
Mostra como Curva-Z e Hilbert podem ser utilizadas para amostragem estatística termodinâmica (portanto em IA também e com menor exigência), com "Twin Gaussian Shells" e "Thermodynamic Integration". Exige grande dimensionalidade (10, 30 e 100 dimensões testadas). | Boa referência para a descrição formal dos algoritmos Z-Curve e Hilbert, usando bit strings. Para o caso multidimensional também descreve "Z-Order curve line-to-axes function". | ||
Do ponto de vista estatístico, apresenta aplicações. Mostra como Curva-Z e Hilbert podem ser utilizadas para amostragem estatística termodinâmica (portanto em IA também e com menor exigência), com "Twin Gaussian Shells" e "Thermodynamic Integration". Exige grande dimensionalidade (10, 30 e 100 dimensões testadas). | |||
Nota. Apesar do amostrador de Curva-Z se mostrar estatisticamente menos eficiente, isso ocorre por serem muito mais do que 2 dimensões, e por não terem corrigido operadores com alguma análise de vizinhança. O algoritmo Z para número limitado de dimensões e amostras (64 bits onde reside maior performance) pode ser otimizado, e para 2D já seria satisfatório. | Nota. Apesar do amostrador de Curva-Z se mostrar estatisticamente menos eficiente, isso ocorre por serem muito mais do que 2 dimensões, e por não terem corrigido operadores com alguma análise de vizinhança. O algoritmo Z para número limitado de dimensões e amostras (64 bits onde reside maior performance) pode ser otimizado, e para 2D já seria satisfatório. |
edições