Tensor-Based Baum–Welch Algorithms in Coupled Hidden Markov Model for Responsible Activity Prediction
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
The development and applications of artificial intelligence (AI) have brought unprecedented opportunities to humans, but also brought many challenges and concerns such as unfairness, immorality, distrust, illegality, and discrimination. Responsible AI provides a new solution to effectively address these AI potential threats by integrating social/physical rules into AI systems. However, these rules are high-level regulations and ethical principles, which are difficult to be formalized. To this end, we attempt to use the data generated in various AI systems such as cyber–physical–social systems (CPSS) to discover and reflect these rules to provide more responsible services for humans. In this article, we first propose a data-driven responsible CPSS framework. Its core idea is to mine valuable rules through perception, fusion, processing, and analysis of CPSS data, and then use these rules to adaptively optimize CPSS. Based on this framework, three tensor-based couple hidden Markov models (T-CHMMs) are constructed to integrate three responsible features (i.e., timing, periodicity, and correlation) for mining potential and valuable rules. Then, the corresponding tensor-based Baum–Welch (TBW) algorithms are designed to solve their learning problems. Finally, the predictive accuracy and computational efficiency of the proposed models and algorithms are verified on three open datasets. The experimental results show that proposed methods have the best performances for various scenarios, which reflects that our methods are more promising and responsible than existing methods.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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