Creating integration tests and documentation for the cuTAGI Bayesian neural network
Notice bibliographique
Résumé
Els estudis recents han demostrat l'eficàcia del mètode d'inferència Gaussiana aproximada i tractable (TAGI), proposat per Goulet et al., el qual ha mostrat un rendiment comparable o superior a les xarxes neuronals entrenades amb retropropagació. Això és cert per a arquitectures totalment connectades, xarxes neuronals convolucionals (CNNs), models generatius i aprenentatge profund per reforçament amb accions categòriques. Per tant, per competir eficaçment amb els mètodes de retropropagació, Nguyen ha estat desenvolupant la biblioteca de codi obert cuTAGI des de 2022. Aquest projecte es centra en millorar la usabilitat de la biblioteca cuTAGI mitjançant la realització de proves d'integració per a cada arquitectura disponible, de manera que siguin més fiables i proporcionin una base sòlida per al desenvolupament futur. Aquestes proves ja s'han incorporat a la versió v0.1.6 (https://github.com/lhnguyen102/cuTAGI/tree/v0.1.6). A més, aquest projecte també introdueix la versió inicial d'un lloc web de documentació (disponible a https://miquelflorensa.github.io). La documentació inclou informació essencial sobre la biblioteca, una guia d'instal·lació, instruccions per començar ràpidament i referències de l'API de l'abstracció en Python. A més, s'han inclòs diversos tutorials amb exemples per ajudar els usuaris a entrenar els seus models de manera efectiva.
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 | 0,010 | 0,092 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,050 | 0,017 |
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 ».