A Compositional Neural Network Solution to Primality-Testing
Notice bibliographique
Résumé
in my fourth year and graduating with an honours degree in psychology. In the last two years, he became interested in theoretical computer science and his future plans are to do research in this area, starting in 2005 as a Master's student. Dr. Thomas R. Shultz earned his PhD (psychology) from Yale University and is now a psychology professor at McGill University. He studies human cognition through a combination of psychological and computational approaches. A long-standing difficulty for connectionism has been to implement compositionality 1,2,3. Compositionality is the idea of building a problem representation out of components such that the meaning comes from the meanings of the components and the way they are combined. The way Fodor and Pylyshyn 1 put it is the following. In a compositional representation, there is a distinction between structurally atomic and molecular representations, structurally molecular representations have syntactic constituents that are themselves either structurally molecular or are structurally atomic, and the semantic content of a representation is a function of the semantic contents of its syntactic parts, together with its constituent structure. Shultz and Rivest 4,5 introduce a new learning algorithm called knowledge-based cascade-correlation (KBCC) that uses already acquired knowledge to learn a new task. In this paper, it is demonstrated how KBCC creates a compositional representation of the prime number concept and uses this representation to decide whether its input is a prime number or not. Component networks recruited by KBCC correspond to syntactic units and the way they are embedded in the overall network structure corresponds to constituent structure. Compositional KBCC networks learn much faster and generalize much better than ordinary cascade-correlation networks in the control condition.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,001 |
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 ».