MétaCan
Menu
Retour à la cohorte
Enregistrement W2018508868 · doi:10.1007/s11786-013-0149-6

Near Sets: An Introduction

2013· article· en· W2018508868 sur OpenAlexafffund
James F. Peters

Notice bibliographique

RevueMathematics in Computer Science · 2013
Typearticle
Langueen
DomaineComputer Science
ThématiqueConstraint Satisfaction and Optimization
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésDisjoint setsMathematicsSet (abstract data type)CombinatoricsRelation (database)Space (punctuation)Discrete mathematicsData miningComputer science

Résumé

récupéré en direct d'OpenAlex

This article gives a brief overview of near sets. The proposed approach in introducing near sets is to consider a set theory-based form of nearness (proximity) called discrete proximity. There are two basic types of near sets, namely, spatially near sets and descriptively near sets. By endowing a nonempty set with some form of a nearness (proximity) relation, we obtain a structured set called a proximity spaces. Let $${\mathcal{P}(X)}$$ denote the set of all subsets of a nonempty set X. One of the oldest forms of nearness relations p (later denoted by δ) was introduced by E. Čech during the mid-1930s, which leads to the discovery of spatially near sets, i.e., those sets that have elements in common. That is, given a proximity space (X, δ), for any subset $${A \in \mathcal{P}(X)}$$ , one can discover nonempty nearness collections $${\xi(A) = \{B \in \mathcal{P}(X): A \, \delta \, B\} }$$ . Recently, descriptively near sets were introduced as a means of solving classification and pattern recognition problems arising from disjoint sets (i.e, sets with empty spatial intersections) that resemble each other. One discovers descriptively near sets by choosing a set of probe functions Φ that represent features of points in a set and endowing the set of points with a descriptive proximity relation δ Φ and obtaining a descriptively structured set (called descriptive proximity space). Given a descriptive proximity spaces (X, δ Φ), one can discover collections of subsets that resemble each other. This leads to the discovery of descriptive nearness collections $${\xi_{\Phi}(A) = \{B \in \mathcal{P}(X): A \,\delta_{\Phi} \, B\} }$$ . That is, if $${B \in \xi_{\Phi}(A)}$$ , then A δ Φ B (relative to the chosen features of points in X, A resembles B). The focus of this tutorial is on descriptively near sets.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,068

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,005
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0050,005
Études des sciences et des technologies0,0020,005
Communication savante0,0060,013
Science ouverte0,0030,005
Intégrité de la recherche0,0030,006
Charge utile insuffisante (le modèle a refusé de juger)0,0200,007

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,250
Écart entre enseignants0,236 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations67
Publié2013
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueMathematics in Computer ScienceMême sujetConstraint Satisfaction and OptimizationTravaux en français237 207