Globally Optimal Design of a Distributed Scalar Quantizer for Linear Classification
Notice bibliographique
Résumé
This work is concerned with the design of a distributed scalar quantizer (DSQ) with two encoders, for linear classification. The objective of the optimization is to minimize the classification error of the classifier applied to the quantized inputs in the training sequence with respect to the classifier applied on unquantized inputs. We prove that the optimal DSQ design problem is equivalent to a minimum weight path problem with some constraints on the number and types of edges in a certain weighted directed acyclic graph. Further, we propose a solution algorithm with time complexity$O(K_{1}K_{2}N^{4})$, where$N$is the size of the training sequence while$K_{1}$and$K_{2}$are the numbers of cells of the two encoders, respectively. In addition, we develop faster design algorithms for the equal-rate case (i.e.,$K_{1}=K_{2}=K$). Specifically, when the training sequence is symmetric, we prove that there exists an optimal DSQ where the thresholds of the encoders' partitions are interleaved. By leveraging this property and the symmetry of the training sequence, we propose a$O(KN^{2})$time solution algorithm. For the case when the training sequence is not symmetric, we propose an algorithm with the same time complexity that minimizes an upper bound on the misclassification ratio. Experimental results prove the considerable superiority of the proposed approaches in comparison with prior work in both symmetric and asymmetric scenarios.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».