Model selection using Bayesian samples: An introduction to the deviance information criterion
Notice bibliographique
Résumé
This paper presents the deviance information criterion (DIC) as a metric for model selection based on Bayesian sampling approaches, with examples from seabed geoacoustic and/or scattering inversion. The DIC uses all samples of a distribution to approximate Bayesian evidence, unlike more common measures such as the Bayesian information criterion, which only use point estimates. The DIC uses distribution samples to approximate Bayesian evidence, unlike more common measures such as the Bayesian information criterion based on point estimates. Hence the DIC is more appropriate for non-linear Bayesian inversions utilizing posterior sampling. Two examples are considered: determining the dominant seabed scattering mechanism (interface and/or volume scattering), and choosing between seabed profile parameterizations based on smooth gradients (polynomial splines) or discontinuous homogeneous layers. In both cases, the DIC is applied to trans-dimensional inversions of simulated and measured data, utilizing reversible jump Markov chain Monte Carlo sampling. For the first case, the DIC is found to correctly select the true scattering mechanism for simulations, and its choice for the measured data inversion is consistent with sediment cores extracted at the experimental site. For the second case, the DIC selects the polynomial spline parameterization for soft seabeds with smooth gradients. [Work supported by ONR.]
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 | 0,065 | 0,174 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,004 |
| Bibliométrie | 0,008 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,007 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,005 | 0,006 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».