Application de l'algorithme EM au modèle des risques concurrents avec causes de panne masquées
Notice bibliographique
Résumé
Dans un modèle de durées de vie avec des risques concurrents, les systèmes peuvent\ntomber en panne dans le temps. Ces pannes sont dues à une cause parmi plusieurs\npossibles et il arrive parfois que celle-ci soit inconnue. C'est alors qu'on peut faire appel\nà l'algorithme EM pour calculer les estimateurs du maximum de vraisemblance. Cette\ntechnique utilise la fonction de vraisemblance des données complètes pour trouver les\nestimateurs même si les données observées sont incomplètes.\nPour les systèmes ayant leur cause de panne inconnue, on peut en prendre un\néchantillon pour une inspection plus approfondie qui dévoilera les vraies causes de\npanne. Cette étape peut améliorer l'estimation des probabilités de masque et des fonc-\ntions de risque spécifiques aux causes de panne. Après avoir expliqué la théorie de\nl'algorithme EM, le modèle des risques concurrents, ainsi que les travaux réalisés sur le\nsujet, on étudie l'impact qu'a sur les estimateurs le fait de ne pas envoyer un échantillon\ndes systèmes masqués à un examen approfondi qui permettrait de trouver la vraie cause\nde panne.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».