Bibliographic record
Abstract
Nous considérons ici un signal dont les éléments sont supportés par les noeuds d'un graphe. Nous étudions les métriques qui mesurent la régularité des signaux supportés par ces graphes and apportons des explications théoriques sur quand et pourquoi les vecteurs propres du Laplacien peuvent être considérés comme une transformation de Fourier significative pour de tels signaux. De plus, nous caractérisons les propriétés souhaitées pour le graphe sous-jacent afin d'obtenir une meilleure compressibilité de ces signaux. Pour un signal régulier par rapport à la topologie du graphe, notre travail prouve que nous pouvons rassembler les mesures d'un sous-ensemble aléatoire de noeuds et obtenir une récupération stable par rapport aux vecteurs propres du Laplacien du graphe. Nous montrons aussi que de telles techniques peuvent être utilisées pour des signaux corrélés à la fois spatialement and temporellement et provenant de réseaux de capteurs. Cette approche apporte des diminutions significatives en terme d'utilisation des ressources énergétiques, de la bande passante et de la latence nécessaire. Toutes les analyses théoriques et les performances des algorithmes proposés sont validées par des simulations et des données provenant de systèmes existants.
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 | 0.000 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
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".