Yohan Petetin

Résultat de recherche par an

Empreinte digitale

Passez en revue plus en détail les thèmes de recherche où Yohan Petetin est actif. Ces libellés thématiques proviennent des travaux de cette personne. Ensemble, ils forment une empreinte digitale unique.

1 Profils similaires

An Analysis of the Mutual Information Upper Bound for Sensor-Subset Selection
Leroy, I., Saucan, A. A., Petetin, Y. & Clark, D., 1 janv. 2024, FUSION 2024 - 27th International Conference on Information Fusion. Institute of Electrical and Electronics Engineers Inc., (FUSION 2024 - 27th International Conference on Information Fusion).
Résultats de recherche: Le chapitre dans un livre, un rapport, une anthologie ou une collection › Contribution à une conférence › Revue par des pairs
Variance estimation for sequential Monte Carlo algorithms: A backward sampling approach
El Idrissi, Y. J., Corff, S. L. & Petetin, Y., 1 févr. 2024, Dans: Bernoulli. 30, 2, p. 911-935 25 p.
Résultats de recherche: Contribution à un journal › Article › Revue par des pairs

Accès ouvert
A Probabilistic Semi-Supervised Approach with Triplet Markov Chains
Morales, K. & Petetin, Y., 1 janv. 2023, Proceedings of the 2023 IEEE 33rd International Workshop on Machine Learning for Signal Processing, MLSP 2023. Comminiello, D. & Scarpiniti, M. (eds.). IEEE Computer Society, (IEEE International Workshop on Machine Learning for Signal Processing, MLSP; Vol 2023-September).
Résultats de recherche: Le chapitre dans un livre, un rapport, une anthologie ou une collection › Contribution à une conférence › Revue par des pairs
Deep parameterizations of pairwise and triplet Markov models for unsupervised classification of sequential data
Gangloff, H., Morales, K. & Petetin, Y., 1 avr. 2023, Dans: Computational Statistics and Data Analysis. 180, 107663.
Résultats de recherche: Contribution à un journal › Article › Revue par des pairs

Accès ouvert
Expressivity of Hidden Markov Chains vs. Recurrent Neural Networks From a System Theoretic Viewpoint
Desbouvries, F., Petetin, Y. & Salaun, A., 1 janv. 2023, Dans: IEEE Transactions on Signal Processing. 71, p. 4178-4191 14 p.
Résultats de recherche: Contribution à un journal › Article › Revue par des pairs

Accès ouvert
A General Parametrization Framework for Pairwise Markov Models: An Application to Unsupervised Image Segmentation
Gangloff, H., Morales, K. & Petetin, Y., 1 janv. 2021, 2021 IEEE 31st International Workshop on Machine Learning for Signal Processing, MLSP 2021. IEEE Computer Society, (IEEE International Workshop on Machine Learning for Signal Processing, MLSP; Vol 2021-October).
Résultats de recherche: Le chapitre dans un livre, un rapport, une anthologie ou une collection › Contribution à une conférence › Revue par des pairs
Structured Variational Bayesian Inference for Gaussian State-Space Models with Regime Switching
Petetin, Y., Janati, Y. & Desbouvries, F., 1 janv. 2021, Dans: IEEE Signal Processing Letters. 28, p. 1953-1957 5 p.
Résultats de recherche: Contribution à un journal › Article › Revue par des pairs
Variational Bayesian Inference for Pairwise Markov Models
Morales, K. & Petetin, Y., 11 juil. 2021, 2021 IEEE Statistical Signal Processing Workshop, SSP 2021. IEEE Computer Society, p. 251-255 5 p. 9513755. (IEEE Workshop on Statistical Signal Processing Proceedings; Vol 2021-July).
Résultats de recherche: Le chapitre dans un livre, un rapport, une anthologie ou une collection › Contribution à une conférence › Revue par des pairs
Comparing the modeling powers of RNN and HMM
Salaun, A., Petetin, Y. & Desbouvries, F., 1 déc. 2019, Proceedings - 18th IEEE International Conference on Machine Learning and Applications, ICMLA 2019. Wani, M. A., Khoshgoftaar, T. M., Wang, D., Wang, H. & Seliya, N. (eds.). Institute of Electrical and Electronics Engineers Inc., p. 1496-1499 4 p. 8999058. (Proceedings - 18th IEEE International Conference on Machine Learning and Applications, ICMLA 2019).
Résultats de recherche: Le chapitre dans un livre, un rapport, une anthologie ou une collection › Contribution à une conférence › Revue par des pairs
A Double Proposal Normalized Importance Sampling Estimator
Lamberti, R., Petetin, Y., Septier, F. & Desbouvries, F., 29 août 2018, 2018 IEEE Statistical Signal Processing Workshop, SSP 2018. Institute of Electrical and Electronics Engineers Inc., p. 253-257 5 p. 8450849. (2018 IEEE Statistical Signal Processing Workshop, SSP 2018).
Résultats de recherche: Le chapitre dans un livre, un rapport, une anthologie ou une collection › Contribution à une conférence › Revue par des pairs

Yohan Petetin

Empreinte digitale

Collaborations et principaux domaines de recherche des cinq dernières années

Voir les détails

An Analysis of the Mutual Information Upper Bound for Sensor-Subset Selection

Variance estimation for sequential Monte Carlo algorithms: A backward sampling approach

A Probabilistic Semi-Supervised Approach with Triplet Markov Chains

Deep parameterizations of pairwise and triplet Markov models for unsupervised classification of sequential data

Expressivity of Hidden Markov Chains vs. Recurrent Neural Networks From a System Theoretic Viewpoint

A General Parametrization Framework for Pairwise Markov Models: An Application to Unsupervised Image Segmentation

Structured Variational Bayesian Inference for Gaussian State-Space Models with Regime Switching

Variational Bayesian Inference for Pairwise Markov Models

Comparing the modeling powers of RNN and HMM

A Double Proposal Normalized Importance Sampling Estimator