The Method of Forced Probabilities: a Computation Trick for Bayesian Model Evidence
Notice bibliographique
Résumé
Bayesian model selection (BMS) can be used to objectively rank competing models of different structure and with different parameters upon comparison with validation data sets. This technique requires the evaluation of Bayesian Model Evidence (BME). BME is the likelihood of the data to occur under the assumed models, where the likelihood is averaged over the probability distribution of the model and its parameters. Exact and fast analytical solutions for BME exist only with strong assumptions. For that reason, other techniques and approximations for BMS/BME have been developed. While mathematical approximations via information criteria may suffer from strong biases in real-world applications, numerical methods do not rely on any assumptions but require high computational effort. This becomes prohibitive if the data set is very large, e.g. highly resolved in space and time. To still enable the use of BME as a probabilistic and rigorous model performance metric, we have developed the “Method of Forced Probabilities”: this method is a fast way to numerically compute BME for models that predict time series and fulfill the Markov Chain property in time. The core idea is to swap the direction of evaluation: instead of comparing thousands of forward runs of the model with the observed data (many model runs on random parameter realizations), we force the model to follow the data during each time step and record the individual probabilities of the model performing these exact transitions (single evaluation). As a test case for demonstration, we use invasion percolation (IP) models to simulate multiphase flow in porous media. The underlying, highly resolved data set was obtained from an experiment of a slow gas injection into water-saturated, homogeneous sand in a 25cmx25cm acrylic glass cell. Images were obtained at a rate of 30 images per second using the light transmission technique. Since IP models fulfill the Markov chain property, the Method of Forced Probabilities can be applied to evaluate their BME. Results confirm that the proposed method presents a scalable, inexpensive alternative to standard Monte Carlo methods for analyzing the model-data mismatch.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,003 | 0,006 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,004 |
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 source (Gemma direct ou Codex distillé), 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 ».