Design and development of dynamic collaborative frameworks using concepts of knowledge-based networks
Notice bibliographique
Résumé
We have developed a suite of dynamic frameworks for clustering, classification, and regression problems of knowledge-based networks using collaborative approaches. For solving clustering problems, we provide a formulation of the model-integration problem using the principles of sharing prototypes and membership-functions and describe iterative algorithms that converge to an optimal solution. We show that the measure of proximity-distance is a suitable vehicle for quantifying the consensus of collaborative data sites. For classification and regression problems, we present a new experience-consistent framework. By extending the performance index, we show that the domain knowledge captured by regression and classification models plays a regularization role in system identification problems. We demonstrate that the achieved consistency between collaborative sites can be quantified through fuzzy sets related to the parameters of the model. In the development of an approach to fuzzy rule-based model identification realized in a collaborative framework of experiential evidence (data) and knowledge evidence (past experience), we demonstrate how to reconcile these two essential sources of guidance in the form of local regression models. Using a radial-basis function neural networks approach, consistency is achieved using a connection value framework to reconcile data with past experience by considering gradient-based neural networks method. The study provides architectural considerations, elaborates on essential communication mechanisms, and covers underlying algorithmic aspects of knowledge-based networks. We explain how the collaboration mechanism gives rise to higher order granular constructs such as type-2 fuzzy sets that emerge in a highly legitimate manner in distributed fuzzy modeling. We evaluate our methods with type-2 fuzzy sets. The theoretical and algorithmic approaches to collaborative frameworks investigated in this study can be used as a foundation for further research in the area of distributed fuzzy modeling.
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 | 0,005 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».