Un modèle d'action basé sur la logique de description pour la reconnaissance de plan
Bibliographic record
Abstract
Une des problématiques dans le domaine des systèmes multi-agents est la reconnaissance de plan. Celle-ci peut être vue comme le fait de recevoir une série d'actions, en entrée, puis d'inférer le but poursuivi par l'acteur de cette série. Dès lors, les résultats obtenus peuvent être employés à de multiples fins. Par exemple, nous pouvons prendre le cas des domaines de la médecine (pour assister des personnes en perte d'autonomie) ou de l'aviation (pour le pilote automatique). L'objectif général de ce travail de recherche est d'élaborer un ensemble d'outils servant de base à la conception d'un modèle de reconnaissance de plan fondé sur la logique de description. Cette logique est une extension des réseaux sémantiques pour la représentation des connaissances. Elle est basée sur la relation de subsomption qui est une méthode d'inférences pour la classification de concepts à travers une ontologie. Le but étant de ramener la problématique de la reconnaissance de plan à un problème de classification. En somme, nous proposons un modèle de classification de plan d'action, servant de support au processus de la reconnaissance de plan. \nLa démarche consiste, en premier lieu à clarifier la notion de reconnaissance de plan, ainsi, que les éléments essentiels, la constituant. Puis, lors d'une deuxième étape de redéfinir ses éléments à travers la logique de description. \nCe mémoire se veut une première phase d'un projet de recherche beaucoup plus large, visant le développement d'un projet d'assistance aux personnes à mobilité réduite. Il doit donc être considéré comme un pas en avant vers la réalisation de ce projet d'envergure. \n
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 | 0.007 | 0.015 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.004 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.003 | 0.007 |
| Scholarly communication | 0.010 | 0.018 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.003 | 0.008 |
| Insufficient payload (model declined to judge) | 0.026 | 0.008 |
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".