Ãvaluation symbolique de systèmes probabilistes à espace d'états continu
Notice bibliographique
Résumé
Nous présentons une méthode symbolique pour représenter des modèles probabilistes\nà espace dâétats continu (LMP). Ces modèles représentent des systèmes de transitions\nqui ont un nombre dâétats non-dénombrable. Lâobjectif de lâutilisation dâune méthode\nsymbolique est de consommer moins de mémoire lors de lâenregistrement du modèle.\nNotre technique pour enregistrer symboliquement les modèles est lâutilisation des diagrammes\nde décision binaire à terminaux multiples (MTBDD). Ces diagrammes offrent\nla possibilité dâenregistrer des fonctions à variables booléennes, ainsi que des graphes,\nde façon plus concise que les techniques plus fréquemment utilisées. Nous employons\nles MTBDD dans un vérificateur de modèles de type LMP nommé CISMO.\nLa vérification de modèles est une technique entièrement automatique qui est utilisée\npour vérifier si un modèle respecte ou non sa spécification. Lâespace mémoire nécessaire\npour faire la vérification dépend entre autres des structures utilisées pour enregistrer\nle modèle. Dans la première version de CISMO, le modèle était enregistré à lâaide de\nstructures de données traditionnelles, comme des vecteurs. Cette façon de faire est\nqualifiée dâexplicite. Nos modifications de CISMO lui permettent maintenant de faire\nla vérification de façon symbolique, à lâaide des MTBDD, en plus de la façon explicite.\nNos principales contributions sont la description de deux heuristiques qui, dans certains\ncontextes, réduisent la taille des diagrammes de décision binaire ordonnés, ainsi que\nla modification de CISMO. Lâanalyse de la mémoire consommée par CISMO après\nnos modifications nous montre que lâutilisation des diagrammes de décision permet de\nsauver de la mémoire.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 tête enseignante, 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 ».