A constrained LiGME model and its proximal splitting algorithm under overall convexity condition
Notice bibliographique
Résumé
The convex optimization has been used for modeling of many estimation problems in data science and engineering, where convex constraint sets in such a model express respectively a priori knowledge regarding a certain unknown vector to be estimated.The LiGME model was established recently in [J.Abe, M. Yamagishi, I. Yamada, Linearly involved generalized Moreau enhanced models and their proximal splitting algorithm under overall convexity condition, Inverse Probl.36 (2020), 035012] for a sound utilization of linearly involved regularizers closer to certain ideal discrete measures, for sparsity as well as for low-rankness, than their convex envelopes.Despite of the nonconvexity of linearly involved regularizers, the LiGME model can keep the overall convexity of its optimization model with a strategic parameter tuning.In this paper, for flexible exploitation of multiple convex constraint sets, we propose a constrained LiGME (cLiGME) model as an enhancement of the original LiGME model.Within the frame of convex optimization, the proposed cLiGME model can promote such desired features more strategically than standard models using convex regularizers, as well as can admit multiple linearly involved convex indicator functions for hard constraints.We also propose a proximal splitting type algorithm for the cLiGME model and demonstrate its effectiveness with a simple numerical experiment.The cLiGME model can be seen as an integration of central ideas in the LiGME model and the set theoretic estimation.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».