Hierarchical Bayes Analysis of Rare Events Using High-Dispersion Poisson Mixtures
Notice bibliographique
Résumé
Modeling the occurrence of rare events such as multiyear ice or iceberg encounters, ship collisions, and several types of accidental events is often challenging because considerable dispersion is found to be associated with discrete count data. This may be due to fluctuations in the processes generating the events, or they may arise because of a complicated mixture of causal events or there may be other unexplained discontinuities. In such cases, the traditional use of the Poisson distribution is inadequate, especially when the event frequency is subsequently used to formulate design criteria based on extreme values. In this paper, the use of discrete Poisson mixtures is suggested as opposed to the simple Poisson process and continuous Poisson mixtures. One objective is to ensure that the uncertainty regarding event occurrence is well represented in both the central and tail parts of count data. The analysis of discrete Poisson mixtures involves the estimation of the number k of mixture components, the k Poisson occurrence rates, and the k weights of the mixture. Until recently such an analysis was considered daunting at best. However, the analysis can be re-cast as an equivalent Hierarchical Bayes (HB) net using an auxiliary variable vector Z of variable dimension. A Markov Chain Monte Carlo analysis can then be used to obtain the posterior distributions of the dimensionality of the mixture, the mixture weights and the occurrence rates themselves. Also, posterior distributions can be found for iceberg collision risks and iceberg scour rates. The approach is illustrated for an iceberg risk estimation.
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 | 0,013 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».