Accurate simulation of operating system updates in neuroimaging using\n Monte-Carlo arithmetic
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
Operating system (OS) updates introduce numerical perturbations that impact\nthe reproducibility of computational pipelines. In neuroimaging, this has\nimportant practical implications on the validity of computational results,\nparticularly when obtained in systems such as high-performance computing\nclusters where the experimenter does not control software updates. We present a\nframework to reproduce the variability induced by OS updates in controlled\nconditions. We hypothesize that OS updates impact computational pipelines\nmainly through numerical perturbations originating in mathematical libraries,\nwhich we simulate using Monte-Carlo arithmetic in a framework called "fuzzy\nlibmath" (FL). We applied this methodology to pre-processing pipelines of the\nHuman Connectome Project, a flagship open-data project in neuroimaging. We\nfound that FL-perturbed pipelines accurately reproduce the variability induced\nby OS updates and that this similarity is only mildly dependent on simulation\nparameters. Importantly, we also found between-subject differences were\npreserved in both cases, though the between-run variability was of comparable\nmagnitude for both FL and OS perturbations. We found the numerical precision in\nthe HCP pre-processed images to be relatively low, with less than 8 significant\nbits among the 24 available, which motivates further investigation of the\nnumerical stability of components in the tested pipeline. Overall, our results\nestablish that FL accurately simulates results variability due to OS updates,\nand is a practical framework to quantify numerical uncertainty in neuroimaging.\n
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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