Optimal Distributed Quantizer Design for Binary Classification of Conditionally Independent Vector Sources
Notice bibliographique
Résumé
This work addresses the scenario where two dis-tributed sensor nodes encode the input vectors and send their messages to a server node where a joint decoder outputs one of two possible class labels. We assume that the vector sources are discrete and conditionally independent given the class label. The problem is to design the two encoders and the joint decoder such that the probability of classification error is minimized. Up to our knowledge, the only known globally optimal solution to this prob-lem is an exhaustive search, which requires$N^{K_{1}+K_{2}}(N+K_{1}K_{2})$operations, where$N$is the size of the largest alphabet of the input vectors and$K_{k}$is the number of quantizer regions of the encoder at node$k$, for$k=1,2$. We propose a considerably faster globally optimal solution with time complexity$O(K_{1}K_{2}N^{3})$. To achieve this, we first convert the problem to a distributed scalar quantizer design problem in a transformed domain related to the likelihood ratio domain. Next, we prove that the problem is equivalent to a constrained minimum weight path problem in a certain weighted directed acyclic graph with$O(N^{3})$vertices and$O(N^{4})$edges. Further, we show that the dynamic programming solution algorithm to the latter problem can be accelerated by leveraging a fast matrix search technique in matrices with the Monge property.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».