Supervised Bayesian Learning Using MCMC Methods. Application to the . . .
Notice bibliographique
Résumé
Introduction to Stochastic processes, Prentice-Hall, 1975. [13] R. Bellazi P. Magni and G. De Nicolao, "Bayesian function learning using MCMC methods", IEEE Trans- actions on Pattern Analysis and Machine Intelligence, vol. 20, pp. 1319-1331, 1998. [14] R. E. Kass and A. E. Raftery, "Bayes factors", Journal of the American Statistical Association, vol. 90, pp. 773-795, 1995. [15] M. Lavine and M. West, "A Bayesian method for classification and discrimination", The Canadian Journal of Stats., vol. 20, no. 4, pp. 451-461, 1992. [16] M. Davy, C. Doncarli, and G. Faye Boudreaux-Bartels, "Improved optimization of time-frequency based signal classifiers", IEEE Signal processing Letters, vol. 8, no. 2, pp. 52 - 57, February 2001. [17] M. Davy, Noyaux optimiss pour la classification dans le plan temps-frquence, Ph.D. thesis, Universit de Nantes, 2000, in French. [18] M. Davy and C. Doncarli, "Optimal kernels of time-frequency representations for signal classification", in IEEE Internation
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) | 0,000 | 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) | 0,000 | 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 ».