Optimal Granularity of Machine Learning Models: A Perspective of Granular Computing
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
Designing machine learning models followed by their deployment in a real-world environment has been an area of recent pursuits, resulting in a large number of successful applications. In particular, these applications target environments that call for a great deal of autonomy and criticality of the developed constructs and ensuing decision processes. An efficient design, carefully structured advanced architecture, high performance, and efficient learning methods are of paramount importance. Equally desired is the confidence of any result produced by the numeric model. In this study, we advocate that the associated information granularity of the numeric models and their results inherently link with the notion of specificity of information granularity. The confidence of results can be quantified in the form of an information granule where the two associated criteria of granular outcomes, such as coverage and specificity, are crucial to the holistic evaluation of the granularity of the results. It is shown that these two characteristics are conflicting and their quality becomes evaluated and optimized. Two main approaches are studied in depth. The first one concerns a granular embedding of numeric models. In the second one, we consider a synergistic environment of Gaussian process models whose results come as probabilistic information granules and can be transformed into interval information granules. An interesting architecture of a rule-based model constructed with the use of innovative clustering takes into account the generative-discriminative aspect of the process of structure discovery, which is accomplished through the optimization of some augmented objective functions. This model is investigated with regard to the two approaches to the design of the mechanism of granular assessment of results. Some illustrative examples are covered to show the essentials of the design process.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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