MétaCan
Menu
Retour à la cohorte
Enregistrement W4313478262 · doi:10.1109/msp.2022.3218478

Table of Contents

2023· article· en· W4313478262 sur OpenAlexfundno aff
Bihan Wen, Saiprasad Ravishankar, Zhizhen Zhao, Raja Giryes, Jong Ye, Zhiyuan Zha, Xin Yuan, Jiantao Zhou, Ce Zhu, Jonathan Dong, Lorenzo Valzania, Antoine Maillard, Thanh-an Pham, Sylvain Gigan, Michaël Unser, Jian Zhang, Bin Chen, Ruiqin Xiong, Yongbing Zhang, Weisheng Dong, Jinjian Wu, Leida Li, Guangming Shi, Xin Li, Ulugbek S. Kamilov, Charles A. Bouman, Gregery T. Buzzard, Brendt Wohlberg, Kerstin Hammernik, Thomas Küstner, Burhaneddin Yaman, Zhengnan Huang, Daniel Rueckert, Florian Knöll, Mehmet Akçakaya, Youzuo Lin, James Theiler, Dongdong Chen, Michael Davies, Matthias J. Ehrhardt, Carola‐Bibiane Schönlieb, Ferdia Sherry, Julián Tachella, Yoram Bresler, Subhadip Mukherjee, Andreas Hauptmann, Ozan Öktem, Marcelo Pereyra, Christian Jutten

Notice bibliographique

RevueIEEE Signal Processing Magazine · 2023
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueModel Reduction and Neural Networks
Établissements canadiensnon disponible
Organismes subventionnairesInstituto Superior TécnicoUniversità di BolognaUniversidade de LisboaInstitut Polytechnique de ParisKungliga Tekniska HögskolanQueen's UniversitySharif University of TechnologyMicrosoft ResearchUniversidade Estadual PaulistaNational Science FoundationBar-Ilan UniversityYonsei UniversityDurham UniversityUniversité de NantesQueen's University BelfastImperial College LondonDeutsches Zentrum für Luft- und RaumfahrtTélécom ParisMcGill UniversityUniversity of PittsburghEmory UniversityTsinghua UniversityChalmers Tekniska HögskolaMicrosoft
Mots-clésComputer scienceTable (database)Data mining

Résumé

récupéré en direct d'OpenAlex

can be applied for computational imaging. We cover topics ranging from modelbased methods to more advanced physics-informed deep learning.

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 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)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,147
Score d'incertitude au seuil0,210

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,008
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,003
Études des sciences et des technologies0,0010,000
Communication savante0,0040,003
Science ouverte0,0020,002
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,8530,789

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 Opus0,032
Tête enseignante GPT0,273
Écart entre enseignants0,241 · 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreAutre

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

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Signal Processing MagazineMême sujetModel Reduction and Neural NetworksTravaux en français237 207