Diagnosis and mitigation of state space model biases
Notice bibliographique
Résumé
Les modeles d'espaces d'etats servent largement au traitement de donnees de navigation et de positionnement cinematique (dynamique). La qualite de ces modeles a un impact direct sur les resultats de positionnement et donc, l'evaluation de biais possibles dans les modeles prend une importance majeure. Utilisant le principe des moindres carres, cet article vise a presenter un diagnostic et une procedure d'attenuation afin de traiter de l'espace d'etats et des biais d'observation dans les modeles d'espaces d'etats bases sur l'evaluation des residuelles des moindres carres (residuelles de filtre). Le rapport entre le test statistique d'une observation et son numero de redondance est etabli pour les cas d'observations independantes ou presque independantes. Le rendement reussi de l'attenuation de biais en utilisant la procedure proposee est illustre au moyen de donnees cinematiques simulees dans un espace dimensionnel et de donnees cinematiques pseudodistances reelles (code C/A) du Systeme de positionnement global (GPS). On demontre que la procedure proposee peut attenuer avec succes l'espace d'etats ou les biais d'observation lorsque la redondance des modeles et sa distribution sur une variable biaisee d'espace d'etats ou une observation sont suffisamment grandes.
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 | 0,000 | 0,000 |
| 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 ».