Apprentissage statistique des modèles de graphes aléatoires exponentiels : théorie et méthodes
Bibliographic record
Abstract
Les modèles de graphes aléatoires de la famille exponentielle sont flexibles et permettent d’analyser des relations entre des objets. Malheureusement, leur souplesse vient avec un lot de difficultés. Échantillonner des graphes provenant de ces modèles est le plus souvent infaisable, ce qui oblige d’utiliser des techniques comme Métropolis-Hastings. Approximer l’estimateur de vraisemblance maximale est ardu, et l’utilisation de techniques souvent peu connues est nécessaire. En statistique bayésienne, une approximation par à une loi normale de la loi à postériori est tout ce qu’on peut espérer. Dans cette monographie, on commence par montrer comment échantillonner selon ces modèles, puisque cette tâche revient tout au long du document. Il s’en suit une étude détaillée sur l’estimateur de vraisemblance maximale, et puis finalement, on montre comment obtenir une approximation de la loi à postériori dans le cadre bayésien. Un grand effort est apporté à l’approximation par Monte Carlo par chaînes de Markov de l’estimateur de vraisemblance maximale. On y voit les conditions nécessaires et suffisantes à son existence et à son unicité, mais aussi à l’existence et l’unicité de son approximation. On apporte des améliorations aux algorithmes déjà existants pour mieux prendre en compte la théorie et assurer leur robustesse. On termine en démontrant le comportement asymptotique de l’approximation. Les précédentes études ont simplement appliqué la méthode pour ce type de modèle sans s’assurer de la validité de l’application, ce qu’on rectifie.
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 | 0.003 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.003 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 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".