Dynamic estimation of evidence discounting rates based on information credibility
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
Information quality is crucial to any information fusion system as combining unreliable or partially credible pieces of information may lead to erroneous results. In this paper, Dempster-Shafer theory of evidence is being used as a framework for representing and combining uncertain pieces of information. We propose a method of dynamic estimation of evidence discounting rates based on the credibility of pieces of information. The credibility of a piece of information Cre(In) is evaluated through a measure of consensus (corroboration degree) between a set of belief functions, and this measure serves as a basis for quantifying the credibility of the source (sensor or fusion node) itself, Cre(Sk), used then as a discounting factor for all further belief functions provided by Sk. The process is dynamic in the sense that the credibility of the source is revisited in the light of new incoming piece of information. The method proposed relies on a hybrid fusion topology in which the sensors are grouped according to the feature they measure (similar and dissimilar sensors), allowing to select different kinds of measure for estimating the corroboration degrees. Through simulations, we compare (a) the hybrid-combination using the source credibility and the robust combination rule (RCR-L) accounting automatically for sensors's credibility; (b) the hybrid-combination, with different membership degrees and corroboration degrees used to estimate the sources credibility. We show that the new hybrid topology together with the credibility-based evidence discounting estimation algorithm provide a faster identification of the observed object.
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 | 0,001 |
| 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 | 0,002 |
| 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