MétaCan
Menu
Retour à la cohorte
Enregistrement W2080622633 · doi:10.1137/050630246

Finding Numerical Derivatives for Unstructured and Noisy Data by Multiscale Kernels

2006· article· en· W2080622633 sur OpenAlexaff
Leevan Ling

Notice bibliographique

RevueSIAM Journal on Numerical Analysis · 2006
Typearticle
Langueen
DomaineMathematics
ThématiqueNumerical methods in inverse problems
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésTikhonov regularizationMathematicsNoisy dataThin plate splineSpline (mechanical)Regularization (linguistics)Applied mathematicsNumerical analysisNoise (video)Kernel (algebra)Numerical differentiationRepresenter theoremDimension (graph theory)AlgorithmKernel methodMathematical optimizationMathematical analysisComputer scienceDiscrete mathematicsPure mathematicsInverse problemSpline interpolationStatisticsArtificial intelligenceKernel embedding of distributionsSupport vector machine

Résumé

récupéré en direct d'OpenAlex

The recently developed multiscale kernel of R. Opfer [Adv. Comput. Math., 25 (2006), pp. 357–380] is applied to approximate numerical derivatives. The proposed method is truly mesh‐free and can handle unstructured data with noise in any dimension. The method of Tikhonov and the method of L‐curve are employed for regularization; no information about the noise level is required. An error analysis is provided in a general setting for all dimensions. Numerical comparisons are given in two dimensions which show competitive results with recently published thin plate spline methods.

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)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,008
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,083
Tête enseignante GPT0,381
Écart entre enseignants0,298 · 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'étudeSimulation ou modélisation
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

Citations14
Publié2006
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSIAM Journal on Numerical AnalysisMême sujetNumerical methods in inverse problemsTravaux en français237 207