seisbench/seisbench: SeisBench v0.10 - SkyNet, SeisDAE and a more powerful model API
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
Major updates The SkyNet model is now available in SeisBench. SkyNet is specifically designed to pick phase arrivals at regional distances (up to 20 degree) and also comes with a set of weights to distinguish between Pn, Pg, Sn and Sg phases. With SeisDAE, there's now a second denoising model available in SeisBench. In addition, there are plenty of new functions to train denoising model and a new tutorial notebook walking you through the process step by step. A few tweaks make the use of models more powerful and convenient. The to_preferred_device function automatically moves the model to CUDA or Apple Silicon if available. Overlaps can now be specified as fractions of the input length instead of sample. In addition, models can now have dynamic input length depending on the data. Thanks to everyone how contributed to this release with feedback, issues, and especially with PRs! What's Changed skynet integration by @albertleonardo in https://github.com/seisbench/seisbench/pull/355 Enable specifying overlaps in annotate as fractions instead (Closes #353) by @yetinam in https://github.com/seisbench/seisbench/pull/357 Updated model training tutorial by @yetinam in https://github.com/seisbench/seisbench/pull/361 Enable models with dynamic input and output length by @yetinam in https://github.com/seisbench/seisbench/pull/363 Training an own Denoiser model by @JanisHe in https://github.com/seisbench/seisbench/pull/360 Add to_preferred_device function by @yetinam in https://github.com/seisbench/seisbench/pull/362 pre-commit: using ruff by @miili in https://github.com/seisbench/seisbench/pull/368 Full Changelog: https://github.com/seisbench/seisbench/compare/v0.9.0...v0.10.0
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,237 | 0,009 |
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