Application de l'algorithme EM au modèle des risques concurrents avec causes de panne masquées
Bibliographic record
Abstract
Dans un modèle de durées de vie avec des risques concurrents, les systèmes peuvent\ntomber en panne dans le temps. Ces pannes sont dues à une cause parmi plusieurs\npossibles et il arrive parfois que celle-ci soit inconnue. C'est alors qu'on peut faire appel\nà l'algorithme EM pour calculer les estimateurs du maximum de vraisemblance. Cette\ntechnique utilise la fonction de vraisemblance des données complètes pour trouver les\nestimateurs même si les données observées sont incomplètes.\nPour les systèmes ayant leur cause de panne inconnue, on peut en prendre un\néchantillon pour une inspection plus approfondie qui dévoilera les vraies causes de\npanne. Cette étape peut améliorer l'estimation des probabilités de masque et des fonc-\ntions de risque spécifiques aux causes de panne. Après avoir expliqué la théorie de\nl'algorithme EM, le modèle des risques concurrents, ainsi que les travaux réalisés sur le\nsujet, on étudie l'impact qu'a sur les estimateurs le fait de ne pas envoyer un échantillon\ndes systèmes masqués à un examen approfondi qui permettrait de trouver la vraie cause\nde panne.
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) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
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".