Automatic revision of rules used to guide the generalisation process in systems based on a trial and error strategy
Notice bibliographique
Résumé
Automating the generalisation process, a major issue for national mapping agencies, is extremely complex. Several works have proposed to deal with this complexity using a trial and error strategy. The performance of systems based on such a strategy is directly dependent on the quality of the control knowledge (i.e. heuristics) used to guide the trials. Unfortunately, most of the time, the definition and updation of knowledge is a fastidious task. In this context, automatic knowledge revision can not only improve the performance of the generalisation, but also allow it to automatically adapt to various usages and evolve when new elements are introduced. In this article, an offline knowledge revision approach is proposed, based on a logging of the system and on the analysis of outcoming logs. This approach is dedicated to the revision of control knowledge expressed by production rules. We have implemented and tested this approach for the automated generalisation of groups of buildings within a generalisation model called AGENT, from initial data that reference a scale of approximately 1:15,000 compared with the target map's scale of 1:50,000. The results show that our approach improves the quality of the control knowledge and thus the performance of the system. Moreover, the approach proposed is generic and can be applied to other systems based on a trial and error strategy, dedicated to generalisation or not.
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 | 0,059 | 0,307 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,003 |
| Bibliométrie | 0,006 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,009 | 0,008 |
| Science ouverte | 0,008 | 0,007 |
| Intégrité de la recherche | 0,005 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,003 |
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 ».