English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

The Maximization of Matching-Targets’ Probability for Unevaluated Results (MMTPUR),  technique presented in this paper, is based on the classical probabilistic optimization  framework. The numerical function values that have not been evaluated are considered as  stochastic functions. Thus, a Gaussian process uncertainty model is built for each  required numerical function result (i.e., associated with each specified target) and is  used to estimate probability density functions for unevaluated results. Parameter  posterior distributions, used within the optimization process, then take into account  these probabilities. This approach is particularly adapted when, getting one evaluation of  the numerical function is very time consuming. In this paper, we provide a detailed  outline of this technique. Finally, several test cases are developed to stress its  potential.La méthode présentée dans cet article rentre dans le cadre de l’optimisation probabiliste  classique. La nouveauté consiste à construire un processus Gaussien pour chaque résultat  souhaité (i.e. associé à chaque cible spécifiée) et de les utiliser  ensuite pour estimer les densités de probabilité des résultats non évalués. Ces densités  sont alors prises en compte dans le calcul de la densité a posteriori des  paramètres à optimiser. Cette approche est adaptée lorsque chaque évaluation de la  fonction est coûteuse en temps de calcul. Une description détaillée de cette méthode  d’optimisation est proposée ainsi que son utilisation sur plusieurs cas tests

An Optimization Strategy Based on the Maximization of Matching-Targets’ Probability for Unevaluated Results