HyperMinHash: MinHash in LogLog space
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
In this extended abstract, we describe and analyze a lossy compression of MinHash from buckets of size <inline-formula><tex-math notation="LaTeX">$O(\log n)$</tex-math></inline-formula> to buckets of size <inline-formula><tex-math notation="LaTeX">$O(\log \log n)$</tex-math></inline-formula> by encoding using floating-point notation. This new compressed sketch, which we call HyperMinHash, as we build off a HyperLogLog scaffold, can be used as a drop-in replacement of MinHash. Unlike comparable Jaccard index fingerprinting algorithms in sub-logarithmic space (such as b-bit MinHash), HyperMinHash retains MinHash's features of streaming updates, unions, and cardinality estimation. For a additive approximation error <inline-formula><tex-math notation="LaTeX">$\epsilon$</tex-math></inline-formula> on a Jaccard index <inline-formula><tex-math notation="LaTeX">$ t$</tex-math></inline-formula> , given a random oracle, HyperMinHash needs <inline-formula><tex-math notation="LaTeX">$O\left(\epsilon ^{-2} \left(\log \log n + \log \frac{1}{ \epsilon } \right)\right)$</tex-math></inline-formula> space. HyperMinHash allows estimating Jaccard indices of 0.01 for set cardinalities on the order of <inline-formula><tex-math notation="LaTeX">$10^{19}$</tex-math></inline-formula> with relative error of around 10 percent using 2MiB of memory; MinHash can only estimate Jaccard indices for cardinalities of <inline-formula><tex-math notation="LaTeX">$10^{10}$</tex-math></inline-formula> with the same memory consumption.
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 | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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