Minimum description length methods of medium-scale simultaneous inference
Notice bibliographique
Résumé
AbstractNonparametricstatisticalmethodsdevelopedforanalyzingdataforhighnumbersofgenes,SNPs,orotherbiologicalfeatures tend to overfit data with smaller numbers of features such as proteins, metabolites, or, when expression ismeasured with conventional instruments, genes. For this medium-scale inference problem, the minimum descriptionlength(MDL)frameworkquantifiestheamountofinformationinthedatasupportinganulloralternativehypothesisfor each feature in terms of parametric model selection. Two new MDL techniques are proposed. First, using teststatistics that are highly informative about the parameter of interest, the data are reduced to a single statistic perfeature. This simplifying step is already implicit in conventional hypothesis testing and has been found effective inempirical Bayes applications to genomics data. Second, the codelength difference between the alternative and nullhypotheses of any given feature can take advantage of information in the measurements from all other features byusingthosemeasurementstofindtheoverallcodeofminimumlengthsummedoverthosefeatures. Thetechniquesareapplied to protein abundance data, demonstrating that a computationally efficient approximation that is close for asufficientlylargenumberoffeaturesworkswellevenwhenthenumberoffeaturesisaslowas20. Moregenerally,theMDL-basedinformationfordiscriminationdoesnotsufferfromtheasymmetryofthep-valueasameasureofevidenceforonehypothesisoveranother.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,019 | 0,065 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,005 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».