Using Markov Models to Mine Temporal and Spatial Data
Notice bibliographique
Résumé
The mining of temporal and / or spatial signals by graphical models can have several purposes: Segmentation : in this task, the GM clusters the signal into stationary (or homogeneous) and transient segments or areas (Jain et al., 1999).The term stationnary means that the signal values are considered as independent outcomes of probability density functions (pdf).These areas are then post-processed to extract some valuable knowledge from the data.Pattern matching : in this task, the GM measures the a posteriori probability P(model = someLabel/observedData).When there are as many GM as labels, the best probability allows the classification of an unknown pattern by the label associated with the highest probability.Background modelling : in order to make proper use of quantitative data, the GM is used as a background model to simulate an averaged process behavior that corrects for chance variation in the frequency counts (Huang et al., 2004).The domain expert compares the simulated and real data frequencies in order to distinguish if he / she is facing to overor under-represented data that must be investigated more carefully.In this chapter, we will present a general methodology to mine different kinds of temporal and spatial signals having contrasting properties: continuous or discrete with few or many modalities.This methodology is based on a high order Markov modelling as implemented in a free software: CARROTAGE (see section 3).Section 2 gives the theoretical basis of the modelling.Section 3 describes a general flowchart for mining temporal and spatial signals using CARROTAGE.The next section is devoted to the description of three data mining applications following the same flowchart.Finally, we draw some conclusions in section 5.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».