Compacité pratique des diagrammes de décision valués. Normalisation, heuristiques et expérimentations
Notice bibliographique
Résumé
Les diagrammes de décision valués (VDDs) sont particulièrement intéressants pour la compilation de problèmes de satisfaction de contraintes valuées (VCSPs). L'intérêt des différents langages de la famille VDD (en particulier, les langages ADD, SLDD, AADD) est qu'ils admettent des algorithmes en temps polynomial pour des traitements (comme l'optimisation) qui ne sont pas polynomiaux à partir des VCSPs de départ. Comme l'efficacité pratique de tels traitements dépend de la taille du VDD compilée obtenu, il est important d'obtenir une forme la plus compacte possible. Nous décrivons dans cet article quelques résultats issus de nos travaux sur la compacité expérimentale des VDDs. Nous présentons un compilateur ascendant de VCSPs en SLDD+ et SLDD, un jeu d'heuristiques d'ordonnancement des variables, ainsi que des procédures de traduction des langages SLDD+ et SLDD_ vers les langages ADD et AADD. Les différents langages cibles et les heuristiques ont été testés sur deux familles de jeux d'essai, des VCSPs additifs représentant des problèmes de configuration de voitures avec fonctions de coût, et des VCSPs multiplicatifs représentant des réseaux bayésiens. Il apparaît que, bien que le langage AADD soit strictement plus succinct en théorie que SLDD+ et SLDD_, ces deux langages conviennent bien en pratique quand il s'agit de compiler des problèmes de nature purement additive (respectivement purement multiplicative).
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 | 0,002 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,002 |
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 ».