Notice bibliographique
Résumé
Introduction Navigation tasks, and particularly robot navigation, are tasks that are closely associated with data collection. Even a tourist on holiday devotes extensive effort to reportage: the collection of images, narratives or recollections that provide a synopsis of the journey. Several years ago, the term vacation snapshot problem was coined to refer to the challenge of generating a sampling and navigation strategy (Bourque and Dudek, 2000). The notion of a navigation summary refers to a class of solutions to this problem that capture the diversity of sensor readings, and in particular images, experienced during an excursion without allowing for active alteration to the path being followed. An ideal navigation summary consists of a small set of images which are characteristic of the visual appearance of a robot's trajectory and capture the essence of what was observed. These images represent not only the mean appearance of the trajectory but also its surprises. In the context of this chapter, we define a navigation summary to be a set of images (Figure 11.1) which minimizes surprise in the observation of the world. In Section 11.3, we present an information-theory-based formulation of surprise, suitable for the purpose of generating summaries. The decisions of selecting summary images can be made either offline or online. In this chapter we will discuss both versions of the problem, and present experimental results which highlight differences between the corresponding methods. In Section 11.4, we present two different offline strategies (Figure 11.2) for picking the summary images.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,004 | 0,009 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,008 |
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 ».