SIGMOID SUPPLEMENTED DECISION STRUCTURES FOR EVIDENCE SENSITIVITY LEARNING
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
During decision making for classification it is desirable to predict an outcome when not all of the evidence is available. Consider medical diagnosis. If a doctor is trying to determine the cause of a patient's ailment, often they are presented with a subset of potential evidences for or against a particular diagnosis. As the doctor runs more tests and the patients symptoms evolve, the doctor becomes more confident in their evaluation. It is critical that the decision maker be as confident in their decision as possible with as few evidences as are available. The goal of this paper is to improve the ability to predict the final decision given only a subset of the total information. By exploiting interdependencies and probabilistic relationships between the evidences, the confidence of prediction of a decision making tool can be improved through machine learning. Given some complete set of evidences, the Analytical Hierarchy Process (AHP) provides a method of weighting the nodes in a decision structure to synthesize a decision that reflects the opinion of a subject matter expert (SME). By truncating the comparison matrices produced for the AHP, weights can be generated for decision structures that are lacking inputs, known as deficient decision structures. This paper proposes a method of sigmoid node supplementation to the standard decision structure. Using machine learning the parameters of these sigmoid nodes can be optimized so that the output of deficient decision structures can be vastly improved for prediction of the output of the complete decision structure. This method preserves the original weights derived through the AHP and thus the relative importance of evidences is maintained after learning is undergone. An example will illustrate the improved confidence in prediction that can be achieved by adjusting the sensitivity of the supplemented sigmoid nodes.
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 | 0,001 | 0,001 |
| 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 | 0,001 |
| 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