A Bayesian Meta-Modeling Approach for Gaussian Stochastic Process Models Using a Non Informative Prior
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract In this article, an efficient Bayesian meta-modeling approach is proposed for Gaussian stochastic process models in computer experiments. Different prior densities and particularly, a non informative hyper prior have been employed on the parameters involved in the correlation matrix. And the estimation of related parameters is obtained by the expectation-maximization algorithm. Compared with the recent work of Li and Sudjianto (Citation2005), the proposed approach is not only of higher prediction accuracy but also of lower computational cost, due to the utilization of the non informative prior and the absence of tuning parameters. Experimental results demonstrate that our approach yields state-of-the-art performance. Keywords: Computer experimentsExpectation maximizationKrigingMeta-modelingPenalized likelihoodSimulationMathematics Subject Classification: Primary 93E03Secondary 93E24 Acknowledgments The authors would like to thank the two anonymous reviewers for their constructive comments and suggestions. The first and third authors also thank Ms. Dan Xu for her help in polishing the article. The work of Y. Z. Ma was supported by the Natural Science Foundation of China (70931002). The work of H. Deng was supported by the Talent Introduction Project (NSRC11009) of Nanjing Audit University.
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.
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 | 0,005 | 0,001 |
| 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 | 0,002 |
| Science ouverte | 0,001 | 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 découle