Étude algorithmique et combinatoire de la méthode de Kemeny-Young et du consensus de classements
Bibliographic record
Abstract
Une permutation est une liste qui ordonne des objets ou des candidats en fonction d’une préférence ou d’un critère. Des exemples sont les résultats d’un moteur de recherche sur l’internet, des classements d’athlètes, des listes de gènes liés à une maladie données par des méthodes de prédiction ou simplement des préférences d’activités à faire pour la pro- chaine fin de semaine. On peut être intéressé à agréger plusieurs permutations pour en obtenir une permutation consensus. Ce problème est bien connu en science politique et plusieurs méthodes existent pour agréger des permutations, chacune ayant ses propriétés mathématiques. Parmi ces méthodes, la méthode de Kemeny-Young, aussi nommée la médiane de permutations, permet de trouver un consensus qui minimise la somme des distances entre ce consensus et l’ensemble de permutations. Cette méthode détient plu- sieurs propriétés désirables. Par contre, elle est difficile à calculer, ouvrant par ce fait, la voie à de nombreux travaux de recherche. Une généralisation de ce problème permet de considérer les classements qui contiennent des égalités entre les objets classés et qui peuvent être incomplets en ne considérant qu’un sous-ensemble d’objets. Dans cette thèse nous étudions la méthode de Kemeny-Young sous différents aspects : — Premièrement, une réduction d’espace de recherche est proposée. Elle permet d’améliorer les temps de calcul d’approches exactes pour le problème. — Deuxièmement, une heuristique bien paramétrée est développée et sert par le gui- dage d’un algorithme exact branch-and-bound. Cet algorithme utilise aussi une nouvelle réduction d’espace. — Troisièmement, le cas particulier du problème sur trois permutations est investigué. Une réduction d’espace de recherche basée sur les graphes est proposée pour ce cas, suivi d’une borne inférieure très stricte. Deux conjectures sont émises et font le lien entre ce cas et le problème du 3-Hitting Set. — Finalement, une généralisation du problème est proposée et permet d’étendre nos travaux de réduction d’espace de recherche à l’agrégation de classements.
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 | 0.005 | 0.020 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.004 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.008 | 0.003 |
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".