Βαθιά νευρωνικά δίκτυα με μηχανές διανυσμάτων υποστήριξης στο επίπεδο εξόδου
Bibliographic record
Abstract
Η παρούσα εργασία ασχολείται με την μελέτη της επίδοσης των νευρωνικών δικτύων με τη χρήση μηχανών διανυσμάτων υποστήριξης στο επίπεδο εξόδου. Η χρήση των μηχανών διανυσμάτων υποστήριξης στο επίπεδο εξόδου, επιτυγχάνονται καλύτερα ποσοστά ακρίβειας αφού γίνεται προσπάθεια εύρεσης ενός βέλτιστου ορίου απόφασης μεταξύ των δεδομένων. Η υλοποίηση των πειραμάτων πραγματοποιήθηκε σε νευρωνικά δίκτυα Multilayer Perceptron και σε συνελικτικά νευρωνικά δίκτυα. Χρησιμοποιήθηκαν τρία σύνολα δεδομένων όπως: MNIST, CIFAR-10 και CIFAR-100 και αποτελούνταν από πέντε ενδιάμεσα επίπεδα με διαφορετικό αριθμό κόμβων. Τα καλύτερα ποσοστά ακρίβειας που επιτυγχάνονται για το σύνολο δεδομένων MNIST με τη χρήση δύο επιπέδων, είναι για το MLP 0.9838 και με την χρήση του SVM ταξινομητή 0.9848. Για το σύνολο δεδομένων CIFAR-10 το καλύτερο ποσοστό ακρίβειας με τη χρήση τριών επιπέδων για το νευρωνικό δίκτυο MLP 0.454 και με την χρήση του SVM ταξινομητή 0.49. \n \nΑκόμα, για το σύνολο δεδομένων CIFAR-100 το καλύτερο ποσοστό ακρίβειας που επιτυγχάνεται είναι με τη χρήση δύο ενδιάμεσων επιπέδων για το MLP 0.1857 και με την χρήση του SVM ταξινομητή 0.2201. Τέλος, εκτελέστηκαν πειράματα και σε αρχιτεκτονικές συνελικτικών δικτύων επιτυγχάνοντας ποσοστά σφάλματος για τον SVM ταξινομητή 2.39% και για το συνελικτικό δίκτυο 2.46%.
Stored with the screening record, where it is evidence for the labels above.
How this classification was reachedexpand
The three-model screen
all 5,600 screened works →All three models called this out of scope.
Dissertation benchmarking neural networks with SVM output layers; machine learning.
It evaluates neural-network classifiers on benchmark datasets, not research methodology as an object.
Machine-learning dissertation comparing neural nets and SVMs on image benchmarks; method use, not research about research.
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 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.006 | 0.006 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.118 | 0.048 |
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".