Bibliographic record
Abstract
L'apprentissage automatique correspond à la science de l'apprentissage à partir d'exemples.Des algorithmes basés sur cette approche sont aujourd'hui omniprésents.Bien qu'il y ait eu un progrès significatif, ce domaine présente des défis importants.Par exemple, simplement sélectionner la fonction qui correspond le mieux aux données observées n'offre aucune garantie statistiques sur les exemples qui n'ont pas encore été observées.Quelques théories sur l'apprentissage automatique offrent des façons d'aborder ce problème.Parmi ceux-ci, nous présentons la modélisation bayésienne de l'apprentissage automatique et l'approche PACbayésienne pour l'apprentissage automatique dans une vue unifiée pour mettre en évidence d'importantes similarités.Le résultat de cette analyse suggère que de considérer les réponses de l'ensemble des modèles plutôt qu'un seul correspond à un des éléments-clés pour obtenir une bonne performance de généralisation.Malheureusement, cette approche vient avec un coût de calcul élevé, et trouver de bonnes approximations est un sujet de recherche actif.Dans cette thèse, nous présentons une approche novatrice qui peut être appliquée avec un faible coût de calcul sur un large éventail de configurations d'apprentissage automatique.Pour atteindre cet objectif, nous appliquons la théorie de Bayes d'une manière différente de ce qui est conventionnellement fait pour l'apprentissage automatique.Spécifiquement, au lieu de chercher le vrai modèle à l'origine des données observées, nous cherchons le meilleur modèle selon une métrique donnée.Même si cette différence semble subtile, dans cette approche, nous ne faisons pas la supposition que le vrai modèle appartient à l'ensemble de modèles explorés.Par conséquent, nous disons que nous sommes agnostiques.Plusieurs expérimentations montrent un gain de généralisation significatif en utilisant cette approche d'ensemble de modèles durant la phase de validation croisée.De plus, cet algorithme est simple à programmer et n'ajoute pas un coût de calcul significatif à la recherche d'hyperparamètres conventionnels.Finalement, cet outil probabiliste peut également être utilisé comme un test statistique pour évaluer la qualité des algorithmes sur plusieurs ensembles de données d'apprentissage.
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 | 0.021 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.003 | 0.002 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.006 | 0.006 |
| Open science | 0.004 | 0.003 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.037 | 0.022 |
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".