Reducing Uncertainty in Collective Perception Using Self-Organizing Hierarchy
Notice bibliographique
Résumé
In collective perception, agents sample spatial data and use the samples to agree on some estimate. In this paper, we identify the sources of statistical uncertainty that occur in collective perception and note that improving the accuracy of fully decentralized approaches, beyond a certain threshold, might be intractable. We propose self-organizing hierarchy as an approach to improve accuracy in collective perception by reducing or eliminating some of the sources of uncertainty. Using self-organizing hierarchy, aspects of centralization and decentralization can be combined: robots can understand their relative positions system-wide and fuse their information at one point, without requiring, e.g., a fully connected or static communication network. In this way, multi-sensor fusion techniques that were designed for fully centralized systems can be applied to a self-organized system for the first time, without losing the key practical benefits of decentralization. We implement simple proof-of-concept fusion in a self-organizing hierarchy approach and test it against three fully decentralized benchmark approaches. We test the perceptual accuracy of the approaches for absolute conditions that are uniform time-invariant, time-varying, and spatially nonuniform with high heterogeneity, as well as the scalability and fault tolerance of their accuracy. We show that, under our tested conditions, the self-organizing hierarchy approach is generally more accurate, more consistent, and faster than the other approaches and also that its accuracy is more scalable and comparably fault-tolerant. Under spatially nonuniform conditions, our results indicate that the four approaches are comparable in terms of similarity to the reference samples. In future work, extending these results to additional methods, such as collective probability distribution fitting, is likely to be much more straightforward in the self-organizing hierarchy approach than in the decentralized approaches.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».