Jove
Visualize
Contáctanos

Video Experimental Relacionado

Updated: Jan 7, 2026

Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
09:47

Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches

Published on: December 15, 2023

1.7K

Un nuevo método de pronóstico automático basado en redes neuronales artificiales dendríticas profundas explicables

Eren Bas1, Erol Egrioglu2

  • 1Faculty of Arts and Science, Department of Data Science and Analytics, Giresun University, Giresun, Turkey.

Scientific reports
|December 30, 2025
PubMed
Resumen
Este resumen es generado por máquina.

Videos de Conceptos Relacionados

Neural Circuits01:25

Neural Circuits

2.6K
Neural circuits and neuronal pools are two of the main structures found in the nervous system. Neural circuits are networks of neurons that work together to carry out a specific task or process. They consist of interconnected neurons and glial cells, which provide structural and metabolic support.
Neuronal pools are collections of nerve cells with similar functions and interact through chemical and electrical signals. These pools include both interneurons (the central neural circuit nodes that...
2.6K

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Pythagorean fuzzy time series approach based on hybrid high-order artificial neural network for nonlinear time series forecasting.

Scientific reports·2026
Same author

A novel approach for forecasting algal bloom: long short-term memory artificial neural network with exponential smoothing feedback optimized by the arithmetic mean algorithm.

Scientific reports·2026
Same author

Machine learning-based integration and comparison of ADC map radiomics with conventional imaging markers for cholesteatoma diagnosis.

Neuroradiology·2026
Same author

A Sugeno-multiplicative neuron hybrid system trained by differential evolution algorithm for time series forecasting.

Scientific reports·2026
Same author

Forecasting Nasdaq stock exchange time series using an improved recurrent spiking Pi-Sigma artificial neural network.

Scientific reports·2026
Same author

Does Margin Length Predict Recurrence After Partial Nephrectomy, or Is Presence Alone Sufficient?

Journal of kidney cancer and VHL·2026
Same journal

Serum vitamin D level and its association with vertigo frequency and severity in Meniere disease.

Scientific reports·2026
Same journal

PFA-Net: a physics-informed feature enhancement and attention network for interpretable bearing fault diagnosis under strong noise.

Scientific reports·2026
Same journal

Circulating inflammatory, redox, and apoptosis-related alterations in drug-naive idiopathic pulmonary fibrosis: an exploratory case-control study.

Scientific reports·2026
Same journal

A baseline-oriented dynamic aggregation approach for demand-side heterogeneous controllable resources.

Scientific reports·2026
Same journal

Temporal precision and accuracy in schizophrenia: an exploratory study.

Scientific reports·2026
Same journal

Prefrontal EEG spectral and nonlinear signatures of subthreshold depression during resting state and affectively valenced picture/video viewing: a participant-level analysis.

Scientific reports·2026
Ver todos los artículos relacionados
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Este estudio presenta pruebas automatizadas para redes neuronales recurrentes dendríticas profundas, mejorando la precisión de los pronósticos. Un método automatizado novedoso basado en estas pruebas mejora el rendimiento de los pronósticos para datos de series temporales.

Área de la Ciencia:

  • Inteligencia Artificial
  • Aprendizaje Automático
  • Análisis de Series Temporales

Sus antecedentes:

  • Los métodos de pronóstico automatizado son cruciales para los profesionales, ya que reducen las decisiones subjetivas en la selección de modelos y el preprocesamiento de datos.
  • Los métodos automatizados existentes a menudo se basan en la selección compleja de modelos/variables y pruebas de hipótesis.
  • La explicabilidad en modelos de aprendizaje profundo para pronósticos sigue siendo un desafío importante.

Objetivo del estudio:

  • Proponer pruebas de significancia de entrada y validez del modelo para redes neuronales recurrentes dendríticas profundas (DDRNN) dentro de un marco de explicabilidad.
  • Desarrollar un método de pronóstico automatizado novedoso para DDRNN que aproveche estas pruebas propuestas.
  • Evaluar el rendimiento de pronóstico del nuevo método frente a técnicas establecidas utilizando conjuntos de datos de referencia.
Palabras clave:
métodos de pronóstico automáticoredes neuronales profundasalgoritmo de evolución diferencialpronósticoredes neuronales recurrentes

Videos de Experimentos Relacionados

Last Updated: Jan 7, 2026

Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
09:47

Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches

Published on: December 15, 2023

1.7K

Principales métodos:

  • Desarrollo de pruebas estadísticas para evaluar la significancia de las entradas a los DDRNN.
  • Implementación de pruebas de validez del modelo para garantizar la fiabilidad de los pronósticos de DDRNN.
  • Creación de un pipeline de pronóstico automatizado para DDRNN que incorpora las pruebas desarrolladas.
  • Análisis comparativo utilizando los conjuntos de datos de series temporales de la competencia M3 y M4.

Principales resultados:

  • Las pruebas propuestas de significancia de entrada y validez del modelo demuestran efectividad en la evaluación de componentes de DDRNN.
  • El novedoso método de pronóstico automático muestra un rendimiento competitivo o superior en comparación con los métodos existentes en los conjuntos de datos M3 y M4.
  • Las pruebas desarrolladas contribuyen a la explicabilidad de los DDRNN en el pronóstico de series temporales.

Conclusiones:

  • Las pruebas propuestas mejoran la interpretabilidad y la fiabilidad de las redes neuronales recurrentes dendríticas profundas para el pronóstico.
  • El nuevo método automatizado ofrece un enfoque robusto y basado en datos para el pronóstico de series temporales con DDRNN.
  • Este trabajo avanza el campo del pronóstico automatizado al integrar la explicabilidad en los modelos de aprendizaje profundo.