On the efficiency of OLS reduced probabilistic neural networks for aircraft-flare discrimination
Notice bibliographique
Résumé
Probabilistic neural networks (PNN) are the instruments of choice when it comes to critical decision making. Indeed, their output is not a simple yes-or-no decision; they are able to produce the probability that the features received as their input correspond to an object of any one of many classes. In work reported elsewhere, we have devised such a network for the discrimination of aircrafts from their decoy flares. It is very efficient, consistently exhibiting a recognition success rate of the order of 98-99%. However, because these neural networks are based on the Parzen-windows method, they must contain a very large number of neurons in order to be efficient. This can represent a serious disadvantage when they are to be incorporated in a real time system. It is thus advantageous to be able to reduce their size, without affecting appreciably their performance. We report in this article on the success we have had with adapting and applying an Orthogonal Least Squares (OLS) reduction method to the probabilistic neural network we built previously. We show that this method allows for a reduction of the number of neurons by as much as 81.9% with a decrease in performance of only 0.6%. Even a drastic reduction of 97.7% of number of neurons still produces a network with a 93.5% success rate. A side benefit of the application of this method to PNNs, is an ordered list of the images that the neural network considers as the best representatives of their class of objects.
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 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».