Creating integration tests and documentation for the cuTAGI Bayesian neural network
Bibliographic record
Abstract
Els estudis recents han demostrat l'eficàcia del mètode d'inferència Gaussiana aproximada i tractable (TAGI), proposat per Goulet et al., el qual ha mostrat un rendiment comparable o superior a les xarxes neuronals entrenades amb retropropagació. Això és cert per a arquitectures totalment connectades, xarxes neuronals convolucionals (CNNs), models generatius i aprenentatge profund per reforçament amb accions categòriques. Per tant, per competir eficaçment amb els mètodes de retropropagació, Nguyen ha estat desenvolupant la biblioteca de codi obert cuTAGI des de 2022. Aquest projecte es centra en millorar la usabilitat de la biblioteca cuTAGI mitjançant la realització de proves d'integració per a cada arquitectura disponible, de manera que siguin més fiables i proporcionin una base sòlida per al desenvolupament futur. Aquestes proves ja s'han incorporat a la versió v0.1.6 (https://github.com/lhnguyen102/cuTAGI/tree/v0.1.6). A més, aquest projecte també introdueix la versió inicial d'un lloc web de documentació (disponible a https://miquelflorensa.github.io). La documentació inclou informació essencial sobre la biblioteca, una guia d'instal·lació, instruccions per començar ràpidament i referències de l'API de l'abstracció en Python. A més, s'han inclòs diversos tutorials amb exemples per ajudar els usuaris a entrenar els seus models de manera efectiva.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.005 | 0.001 |
| Scholarly communication | 0.001 | 0.002 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 teacher head, 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".