Hierarchical Bayes Analysis of Rare Events Using High-Dispersion Poisson Mixtures
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
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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) | 0,001 | 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