An Efficient Approach to Learn an Effective Hierarchy of a Set of OOBN Classes
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
Day by day, Bayesian networks are getting popular for solving real-life problems. However, it is difficult to build Bayesian decision networks (BNs) to solve large scale real world problems. Using object-oriented Bayesian networks (OOBNs) is one strategy to deal with the scalability issue. OOBNs make it possible by providing researchers with the facility to design classes and build models with a modular and hierarchical architecture, which increases reuse and maintenance facilities. Sharing properties down the hierarchy of classes, known as “inheritance” in OO-paradigm, is a key idea to increase the reusability and tackle scalability issue. It means that one can share or reuse components and behaviors of an entity known as object or class. Previously, a framework of OOBN was proposed to contain inheritance and all other aspects of OO-paradigm. Recently, in 2022, an extension was proposed to learn hierarchy of OOBN classes. However, such an extension is still suboptimal. In this paper, we identify some scopes to improve the learning technique. We propose and implement a new algorithm and then analyze it empirically and asymptotically. We use both synthetic and real-world data in the empirical analysis. The analysis shows that our proposed algorithm is more effective and efficient, especially in terms of reusability.
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 | 0,000 | 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