MétaCan
Menu
Retour à la cohorte
Enregistrement W4283259549 · doi:10.1038/s42256-022-00498-0

Gradient-based learning drives robust representations in recurrent neural networks by balancing compression and expansion

2022· article· en· W4283259549 sur OpenAlexafffund
Matthew Farrell, Stefano Recanatesi, Timothy C. Moore, Guillaume Lajoie, Eric Shea‐Brown

Notice bibliographique

RevueNature Machine Intelligence · 2022
Typearticle
Langueen
DomaineNeuroscience
ThématiqueNeural dynamics and brain function
Établissements canadiensUniversité de MontréalMila - Quebec Artificial Intelligence Institute
Organismes subventionnairesFonds de Recherche du Québec - SantéFonds de recherche du Québec – Nature et technologiesCanadian Network for Research and Innovation in Machining Technology, Natural Sciences and Engineering Research Council of CanadaNational Science Foundation
Mots-clésRecurrent neural networkCurse of dimensionalityComputer scienceGradient descentChaoticArtificial intelligenceArtificial neural networkGeneralizationMachine learningMathematics

Résumé

récupéré en direct d'OpenAlex
Aucun résumé dans les sources couvertes. Son absence est consignée, pas traitée comme un négatif.

Aucun résumé. Ce n'est pas une lacune de cette base de données : OpenAlex n'en a pas non plus. 23,3 % de la base est dans cet état, et le tri y repère MOITIÉ moins de métarecherche ; l'absence est donc un biais mesuré, et non un champ manquant.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,275
Écart entre enseignants0,261 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations47
Publié2022
Routes d'admission2
Résumé présentnon

Explorer davantage

Même revueNature Machine IntelligenceMême sujetNeural dynamics and brain functionTravaux en français237 207