Ãtude d'algorithmes en visualisation et exploration de grands graphes à l'aide de valuations
Bibliographic record
Abstract
La visualisation est un domaine de recherche encore jeune, étudiant les représentations graphiques produite à partir d'ensembles de données afin de les analyser. \n \nCe domaine de recherche devient particulièrement intéressant lorsque l'on considère la quantité d'information de plus en plus importante générée de nos jours dans divers domaines de gestion et de recherche. Ce mémoire vise deux objectifs principaux. Tout d'abord, nous effectuerons une étude sommaire des algorithmes de visualisation scientifique et d'information, ainsi que des méthodes d'interaction y étant rattachées. Par la suite, nous porterons notre attention sur l'exploration de graphes de grande taille à l'aide de valuations. À partir du graphe étudié, nous produirons un volume correspondant à un histogramme tridimensionnel généré par le calcul d'un triplet de valuations. Chacun des sommets ou arêtes du graphe est associé à un point à l'intérieur du volume. On applique ensuite la convolution d'un noyau Gaussien à ce volume et celui-ci est présenté à l'utilisateur à l'aide d'un algorithme de rendu de volume. L'opération de convolution transforme le nuage de points formant l'histogramme à trois dimensions en un ensemble de nuages diffus et permet de faciliter la sélection de zones d'intérêt à l'intérieur du volume. \n \nDe plus, nous introduirons un contrôleur graphique permettant de naviguer à l'intérieur du volume et d'en extraire des régions d'intérêt. Ces régions représentent des groupes de sommets ou d'arêtes et sont dessinées à l'aide d'un algorithme de rendu de surface. Finalement, nous démontrerons qu'il est possible d'extraire des agglomérats structurels d'un graphe en utilisant notre application et d'associer ces regroupements structurels à une interprétation sémantique reliée au domaine d'application du graphe. \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 | 0.002 | 0.008 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.010 | 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".