Simultaneous estimation of sub-model number and parameters for mixture probability principal component regression
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Principal component analysis (PCA) is a proven technology in data analytics for modeling, monitoring and optimization of high-dimensional and large-scale processes. However, traditional PCA lacks of probabilistic interpretation, limiting its ability of inference. Probabilistic Principal Component Regression (PPCR) is a probabilistic counterpart of Principal Component Regression (PCR) that has good probability interpretation. In order to deal with nonlinearities as well as multi-mode behavior, it has been extended to mixture PPCR (MPPCR). To build a model for a multi-mode system, the associated problem with MPPCR is to estimate the number of mixture components which has been an open problem. In this paper, we propose a hierarchical MPPCR approach for automatically estimating the number of components. This method is based on a divisive hierarchical algorithm, and initially starts with the minimum possible number of components. At each stage, the decision for splitting the components is made based on the Minimum Message Length (MML) criterion. In addition, a merging step is proposed for detected highly overlapped components that controls the splitting step performance. Furthermore, the developed hierarchical MPPCR model is solved through maximum a posteriori (MAP) principle under the expectation-maximization (EM) algorithm in order to utilize prior distributions. Finally, a simulation example is presented to demonstrate the model performance.
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.
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 découle