Kolmiulotteisen muodon mallinnuksesta
Bibliographic record
Abstract
Luonnossa esiintyvät kolmiulotteiset muodot ovat epäsäännöllisiä. Muotojen teoreettiseen mallintamiseen voidaan käyttää tilastollisia menetelmiä, joissa pyritään mahdollisimman vähäiseen vapaiden parametrien lukumäärään. Asteroidien ja perunan mukuloiden kolmiulotteisten muotojen samankaltaisuus on tiedostettu tähtitieteessä ja kasvipatologiassa jo toistakymmentä vuotta. Tässä työssä laajennetaan asteroidien muodon mallinnukseen kehitettyjä menetelmiä perunoiden muotojen mallinnukseen. Vastavuoroisesti havaitaan, että uusi perunan muotomalli edesauttaa asteroidien muotojen mallinnusta. Perunan mukulan muoto on tärkeä geneettisesti määräytyvä lajikkeen ominaisuus, johon vaikuttavat myös ympäristötekijät. Tässä tutkimuksessa määrätään kahden perunalajikkeen (Van Gogh ja Yukon Gold) pääsääntöinen muoto ellipsoidimallin avulla. Yksityiskohtaisemmat piirteet kuvataan palloharmonisten funktioiden sarjakehitelmän avulla. Tämän jälkeen menetelmää sovelletaan neljän muun lajikkeen mukuloiden muodon määritykseen (Bellona, Lady Rosetta, Pito ja Sabina). Tilastollisen muotomallin sovellus perunan mukuloihin osoittaa, että ellipsoidi kuvaa pääsääntöistä muotoa hyvin suurella suhteellisella tarkkuudella ja että palloharmoninen osa on alustavasti tilastollisessa mielessä samankaltainen kaikilla lajikkeilla. Uusi perunan mukulan tilastollinen muotomalli voi osoittautua hyödylliseksi muotoerojen luokittelussa, muotoeroihin vaikuttavien geneettisten ja ympäristötekijöiden vaikutusten kvantifioinnissa sekä konenäköön perustuvissa sovelluksissa.
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 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.032 | 0.010 |
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".