Notice bibliographique
Résumé
This release features two new types of lifting functions: radial basis functions, and random Fourier features. Click the links for examples, or check them out on Binder! You can now also use almost any <code>scikit-learn</code> regressor as a backend for EDMD with <code>EdmdMeta</code>. You can find a cool example of sparse regression with the lasso here. Finally, two quality-of-life changes are introduced in this update. You can access your lifting function feature names with <code>KoopmanLiftingFn.get_feature_names_out()</code>, and you can quickly plot Koopman predictions and Koopman operator properties with a bunch of <code>plot_*()</code> methods scattered throughout the library. See below for more details. Note that in this release, we are <strong>dropping official Python 3.7 support</strong>, though almost all features should still work. <strong>Full changelog</strong>: https://github.com/decargroup/pykoop/compare/v1.0.5...v1.1.0 New features Added radial basis function (RBF) lifting functions in <code>RbfLiftingFn</code>, along with several ways to choose centers (https://github.com/decargroup/pykoop/pull/103) Added random Fourier feature (RFF) lifting functions in <code>KernelApproxLiftingFn</code>, along with other kernel approximations (https://github.com/decargroup/pykoop/pull/110) Added constant lifting function in <code>ConstantLiftingFn</code> (https://github.com/decargroup/pykoop/pull/85) Added support for <code>scikit-learn</code> linear regressors in <code>EdmdMeta</code> (https://github.com/decargroup/pykoop/pull/92) Added support for feature name tracking as strings in <code>KoopmanLiftingFn.get_feature_names_in()</code> and <code>KoopmanLiftingFn.get_feature_names_out()</code>. If you pass in a <code>pandas.DataFrame</code>, then <code>pykoop</code> can take the feature names from there (https://github.com/decargroup/pykoop/pull/75) Added easy plotting helpers in <code>KoopmanLiftingFn.plot_lifted_trajectory()</code>, <code>KoopmanRegressor.plot_bode()</code>, <code>KoopmanRegressor.plot_eigenvalues()</code>, <code>KoopmanRegressor.plot_koopman_matrix()</code>, <code>KoopmanRegressor.plot_svd()</code>, <code>KoopmanPipeline.plot_predicted_trajectory()</code>, <code>KoopmanPipeline.plot_bode()</code>, <code>KoopmanPipeline.plot_eigenvalues()</code>, <code>KoopmanPipeline.plot_koopman_matrix()</code>, and <code>KoopmanPipeline.plot_svd()</code> (https://github.com/decargroup/pykoop/pull/83) Added <code>example_data_pendulum()</code> and <code>example_data_duffing()</code>. Bug fixes Fixed bug where <code>predict_trajectory</code> indexing was wrong when <code>relift_state=false</code> (https://github.com/decargroup/pykoop/pull/112) Fixed Binder package versions (https://github.com/decargroup/pykoop/pull/108)
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,106 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».