Fast Learning of Grammar Production Probabilities in Radar Electronic Support
Notice bibliographique
Résumé
Although stochastic context-free grammars (SCFG) appear promising for the recognition and threat assessment of complex radar emitters in radar electronic support (ES) systems, the computational requirements for learning their production rule probabilities can be onerous. The two most popular methods, the inside-outside (IO) algorithm and the Viterbi score (VS) algorithm, are both iterative. IO maximizes the likelihood of a training data set, whereas VS maximizes the likelihood of its best parse trees. Even though VS is known to have lower overall computational costs in practice, both algorithms can be impractical for complex grammatical models. Several techniques have been previously developed to accelerate learning. In this paper, two fast variants of the traditional IO algorithm, known as graphical expectation-maximization (gEM(IO)) and tree-scanning (TS(IO)), are reviewed, along with a third technique called HOLA. In addition, two novel algorithms are proposed that apply the gEM (gEM(VS)) and TS (TS(VS)) principles to the Viterbi technique. An experimental protocol is defined and implemented so that the performance of all five techniques (gEM(IO), TS(IO), gEM(VS), TS(VS), and HOLA) can be compared using simulated training sets of complex radar signals. These techniques are compared from several perspectives-perplexity (the likelihood of a test data set), error rate on estimated states, time and memory complexity per iteration, and convergence time. Estimation of the average case and worst case execution time and storage requirements allow for the assessment of complexity, while computer simulations, performed using radar data sets, allow for the assessment of the other performance measures. The impact on performance of the number of sequences in the training set is observed. Results indicate that gEM(IO) and TS(IO) provide the same level of accuracy, yet the resources requirements depend on the ambiguity of the grammars. As expected, the gEM(VS) and TS(VS) techniques provide significantly lower convergence times and time complexities in practice than gEM(IO) and TS(IO), for a comparable level of accuracy. All of these algorithms may provide a greater level of accuracy than HOLA, yet their computational complexities may be orders of magnitude higher.
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 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».