Fast-tracking design space identification with the prediction reliability enhancing parameter (PREP)
Notice bibliographique
Résumé
• Introduced the Prediction Reliability Enhancing Parameter (PREP) for improving prediction reliability in latent variable modeling. • PREP accelerates convergence to the True Design Space (TDS) by efficiently identifying high-reliability samples. • Validated PREP on nonlinear datasets, achieving targets with fewer iterations than conventional methods. In industrial product development, latent variable modeling tools are widely used to address challenges like multicollinearity and small sample sizes. However, these methods are often limited by prediction uncertainty, particularly when identifying optimal operating conditions or formulations to achieve desired product characteristics. This study introduces a methodology that leverages latent variable modeling alignment metrics, including partial least squares and principal components analysis Hotelling T², Sum of Squared Prediction Errors (SPE), and score alignment metrics (h PLS and h PCA ), to quantify and enhance prediction reliability. These metrics are integrated into a Prediction Reliability Enhancing Parameter (PREP), a quantitative measure designed to identify recipes with higher reliability relative to the general model uncertainty. Using an iterative optimization-based algorithm, the methodology expands the Knowledge Space (KS) to efficiently determine the True Design Space (TDS), even when the TDS lies outside the KS. Validation with simulated nonlinear datasets demonstrates that the PREP approach achieves desired targets with significantly fewer iterations compared to conventional methods, particularly in cases in which the data are highly non-linear. The PREP approach thus provides a practical and effective solution for improving prediction reliability in complex, data-driven product design, offering enhanced accuracy and flexibility in identifying optimal formulations or operating conditions.
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 | 0,004 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».