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
Halfspace depth and $\beta$-skeleton depth are two types of depth functions in nonparametric data analysis. The halfspace depth of a query point $q\in \mathbb{R}^d$ with respect to $S\subset\mathbb{R}^d$ is the minimum portion of the elements of $S$ which are contained in a halfspace which passes through $q$. For $\beta \geq 1$, the $\beta$-skeleton depth of $q$ with respect to $S$ is defined to be the total number of \emph{$\beta$-skeleton influence regions} that contain $q$, where each of these influence regions is the intersection of two hyperballs obtained from a pair of points in $S$. The $\beta$-skeleton depth introduces a family of depth functions that contain \emph{spherical depth} and \emph{lens depth} if $\beta=1$ and $\beta=2$, respectively. The main results of this paper include approximating the planar halfspace depth and $\beta$-skeleton depth using two different approximation methods. First, the halfspace depth is approximated by the $\beta$-skeleton depth values. For this method, two dissimilarity measures based on the concepts of \emph{fitting function} and \emph{Hamming distance} are defined to train the halfspace depth function by the $\beta$-skeleton depth values obtaining from a given data set. The goodness of this approximation is measured by a function of error values. Secondly, computing the planar $\beta$-skeleton depth is reduced to a combination of some range counting problems. Using existing results on range counting approximations, the planar $\beta$-skeleton depth of a query point is approximated in $O(n\;poly(1/\varepsilon,\log n))$, $\beta\geq 1$. Regarding the $\beta$-skeleton depth functions, it is also proved that this family of depth functions converge when $\beta \to \infty$. Finally, some experimental results are provided to support the proposed method of approximation and convergence of $\beta$-skeleton depth functions.
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 | 0,001 |
| 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 | 0,000 |
| Science ouverte | 0,001 | 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