Reference set thinning for the k-nearest neighbor decision rule
Notice bibliographique
Résumé
The k-nearest neighbor decision rule (or k-NNR) is used to classify a point in d-space according to the dominant class among its k nearest neighbors in some reference set (in which each point has a known class). It is useful to find a small subset S' of S that can be used as the reference set instead. If the k-NNR always makes the same decision using either S or S' as the reference set, then S' is called an exact thinning of S for the k-NNR. We show that such an exact thinning can be determined easily from the k-Delaunay graph of S (which is dual to the order-k Voronoi diagram of S). This graph "encodes" a particular subset of S that must be included within any exact thinning for the k-NNR, and it also provides information on how this subset can be augmented into an exact thinning (although perhaps not a minimum one). In addition, we investigate how the k-Gabriel graph (which is a subgraph of the k-Delaunay graph) can be used to derive an inexact thinning of S that performs well in practice for the k-NNR. It is advantageous to use the k-Gabriel graph instead of the k-Delaunay graph, because the k-Gabriel graph is smaller and much easier to compute from the point set S.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».