pyVISCOUS: An open-source tool for computationally frugal global sensitivity analysis
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
Sensitivity analysis is used to increase our understanding of the evaluated model and ease model parameter estimation. VISCOUS (VarIance-based Sensitivity analysis using COpUlaS) is a given-data, computationally frugal variance-based global sensitivity analysis framework. Grounded in Copula theory, VISCOUS computes the Sobol sensitivity indices using a probability model that describes the relationship between model inputs (e.g., the perturbations in the model parameters) and outputs (e.g., the model responses given a parameter perturbation). In this technical note, we make three contributions to make the VISCOUS framework easier to understand and apply. First, we provide additional derivations of VISCOUS to connect the VISCOUS framework to recent developments in the data science community. We provide didactic examples with simple test functions in order to help a wider group of modelers understand the underpinnings of the VISCOUS framework. Second, we evaluate the VISCOUS framework using three types of Sobol functions and provide a cautionary note on using VISCOUS to approximate Sobol’ sensitivity indices for applications where model inputs are of similar importance. Third, we provide an open-source code of VISCOUS in Python, namely, pyVISCOUS. pyVISCOUS is model-independent and can be applied with user-provided input-output data.
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 | 0,008 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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