Ensemble learning for decision making in sustainable infrastructure
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
Inferences about the prospective state of natural and man-made systems play a major role in designing better infrastructure and assessing the resiliency of current ones. The rapid change of such systems' responses prompts the urgent need to re-evaluate our understanding of the evolution of such systems. New predictive analytics are, hence, important for all energy, water and earth aspects of sustainable infrastructure. Ensemble learning, a branch of artificial intelligence, ushers innovative modeling approaches which are recent advancements in machine learning. According to a predefined ensemble architecture, a number of machine learners are generated and their inferences are integrated to produce stable and improved generalization ability. In order to advance the utilization of ensemble learning in sustainable infrastructure applications, along with developing novel ensemble frameworks, an interdisciplinary research approach is essential. To this extent, this dissertation deals with the development of generalized ensemble learning frameworks, inspired from a wide range of recent engineering problems in energy, water and earth. The results from a comprehensive ensemble analysis approach for the problem of seismic-induced liquefaction prediction emphasizes on the importance of the diversity-in-learning concept, which facilitates the development of a novel ensemble framework to exploit the diversity concept and tackle the requirements of the decentralized and disaggregated energy forecasting problems. The latter is a crucial research endeavor to develop stable ensemble-based regression models for time series forecasting, in general, and helps in innovating a new class of hybrid ensemble learning frameworks which are used in the design of flood detection systems.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle