Compacité pratique des diagrammes de décision valués. Normalisation, heuristiques et expérimentations
Bibliographic record
Abstract
Les diagrammes de décision valués (VDDs) sont particulièrement intéressants pour la compilation de problèmes de satisfaction de contraintes valuées (VCSPs). L'intérêt des différents langages de la famille VDD (en particulier, les langages ADD, SLDD, AADD) est qu'ils admettent des algorithmes en temps polynomial pour des traitements (comme l'optimisation) qui ne sont pas polynomiaux à partir des VCSPs de départ. Comme l'efficacité pratique de tels traitements dépend de la taille du VDD compilée obtenu, il est important d'obtenir une forme la plus compacte possible. Nous décrivons dans cet article quelques résultats issus de nos travaux sur la compacité expérimentale des VDDs. Nous présentons un compilateur ascendant de VCSPs en SLDD+ et SLDD, un jeu d'heuristiques d'ordonnancement des variables, ainsi que des procédures de traduction des langages SLDD+ et SLDD_ vers les langages ADD et AADD. Les différents langages cibles et les heuristiques ont été testés sur deux familles de jeux d'essai, des VCSPs additifs représentant des problèmes de configuration de voitures avec fonctions de coût, et des VCSPs multiplicatifs représentant des réseaux bayésiens. Il apparaît que, bien que le langage AADD soit strictement plus succinct en théorie que SLDD+ et SLDD_, ces deux langages conviennent bien en pratique quand il s'agit de compiler des problèmes de nature purement additive (respectivement purement multiplicative).
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.002 | 0.003 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.012 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".