The Pie sharing problem: Unbiased sampling of N+1 summative weights.
Notice bibliographique
Résumé
The Pie sharing problem: Unbiased sampling of N+1 summative weights. by J. Mai 1, J. R. Craig 1, and B. A. Tolson 1 1 Dept. Civil and Environmental Engineering, University of Waterloo, Waterloo, ON, Canada. Abstract A simple algorithm is provided for randomly sampling a set of N+1 weights such that their sum is constrained to be equal to one, analogous to randomly subdividing a pie into N+1 slices where the probability distribution of slice volumes are identically distributed. The cumulative density and probability density functions of the random weights are provided. The algorithmic implementation for the random number sampling are made available. This algorithm has potential applications in calibration, uncertainty analysis, and sensitivity analysis of environmental models. The associated journal publication provides three example applications to demonstrate the efficiency and superiority of the proposed method compared to alternative sampling methods. Please refer to the Wiki for more details and documentation. Usage Please refer to the Wiki for details on the usage in Python and R. Citation Journal publication J. Mai, J. R. Craig, and B. A. Tolson (2021). The Pie sharing problem: Unbiased sampling of N+1 summative weights. Environmental Modelling and Software. Under review. Code publication J. Mai, J. R. Craig, and B. A. Tolson (2020). The PieShareDistribution: Unbiased sampling of N+1 summative weights. Zenodo. https://doi.org/10.5281/zenodo.4300332 Release information This is the first release of the PieShareDistribution which is sampling N random numbers that add up to 1.0 while all the N random variables are independently and identically distributed (i.i.d.). This might become in handy when you for example want to sample soil textures (soil, sand, clay percentage) making sure that the soil triangle is sampled uniformly.
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 | 0,014 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,003 |
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 ».