A Granular Aggregation of Multifaceted Gaussian Process Models
Notice bibliographique
Résumé
This study focuses on the construction of granular Gaussian process models completed at different levels of granularity and the emergence of higher-type granular outputs through aggregating the individual prediction results. Each Gaussian process model is instantiated utilizing granular data (or information granules) to enhance algorithmic efficiency and can be tailored to specific levels of precision (granularity). The overall design methodology emphasizes human centricity in system modeling by focusing on both the interpretability and accuracy of the resulting models. First, clustering algorithms are applied to construct information granules that provide a comprehensive overview of the experimental evidence. As the number of information granules grows, the existing knowledge imbedded within data could be perceived and described at increased levels of details. Information granules are built in an augmented feature space constructed by concatenating the input and output variables. Next, Gaussian process models are constructed on a basis of the information granules formed at different levels of abstraction. Subsequently, the confidence intervals are transformed to intervals and the reconciliation of the predictions produced by individual models, which offer different perspectives on the system, leads to the emergence of more abstract entities (such as type-2 intervals/fuzzy sets, etc.) rather than plain numbers. The efficacy of the comprehensive model is measured by the coverage and specificity criteria of the granular outputs. Experimental studies conducted on a synthetic dataset and a number of real-world datasets validated the effectiveness and adaptability of the proposed methodology.
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 | 0,000 | 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 | 0,001 |
| 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 ».