Canada (2013)" COMPRESSIVE GAUSSIAN MIXTURE ESTIMATION
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
Algorithms using sketches can be found in the database literature [2, 3]. In this case, a sketch is a compressed representation of the data and can be updated whenever an element is added or removed from the database without reprocessing all the data. A popular application is the search for frequent items in a data stream, also called heavy hitters [4]. Histogram fitting using a sketch has been explored [5] in the case of n-dimensional discrete vectors. In this case, the sketch is an accumulated random projection of the vectors. This method does not scale to high dimensions, the construction of the histogram from the sketch having complexity which is exponential in n. Inverse problems on density mixtures have also been studied [6, 7]. Given data drawn from a mixture of candidate functions, both papers propose to cast the reconstruction as the optimization of a sparsity-inducing cost function on the vector of mixture coefficients. Both methods require the considered set of candidate densities to be finite and the elements of this set to be incoherent, i.e., different from each other. These assumptions do not hold for GMM: the centroids of the Gaussians can vary continuously and be arbitrarily close to one another. Compressed representations of data vectors based on random projections for linear classification have been studied in [8, 9]. These compressed representations aim at replacing a vector x by Mx where M is a dimensionality-reducing matrix, but do not compress the whole data set to a size that is independent of the number N of vectors in the set. In [10], a compressed representation of sparse probability distributions over multidimensional binary vectors is studied. The comhal-00799896,
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 | 0,000 | 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 | 0,001 | 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 découle