An Approximate Maximin-Directed Random Sampling for Clustering Applications
Notice bibliographique
Résumé
The Maximin-Directed Random Sampling (MMDRS) algorithm, a cornerstone of numerous visual assessment techniques and scalable single linkage clustering, is recognized for its unique three-part structure: (i) Maximin (MM) sampling for prototype identification; (ii) nearest prototype partition construction via maximin samples; and (iii) directed random sampling from partition subsets.Despite its diverse applications, the computational complexity of MMDRS presents significant challenges.In response to this issue, an approximate form of the MMDRS algorithm (AMMDRS) is proposed in this study, aiming to alleviate time complexity.Through experimental investigation, comparisons are drawn between the directed random sampling methods, assessing whether significant differences exist in the samples produced and evaluating the superiority of either method over simple random sampling.The results of this empirical study demonstrate that AMMDRS outperforms MMDRS in terms of speed across all datasets, without any compromise on sampling accuracy.This finding underscores the critical importance of such a method in big data applications, where the feasibility of processing the entire dataset is often limited.The study's revelations emphasize that undirected random sampling achieves more authentic representations of parent distributions than MM samples alone, thereby maximizing the diversity and representativeness of selected points within the feature space.Overall, this study introduces a promising avenue for enhancing the efficiency of MMDRS, opening the door to its broader application in data-intensive domains.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».