MAGAF: Method of Analysis of the Gradient of the Approximating Function for Small Data Analysis, Experimental Design, and Expert Systems
Fuente:
Zenodo
Saved in:
| Main Author: | |
|---|---|
| Format: | Recurso digital |
| Published: |
Zenodo
2026
|
| Online Access: | |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1866901417462071296 |
|---|---|
| author | Milekhin, Sergey |
| author_facet | Milekhin, Sergey |
| contents | <div class="Y3BBE"><strong class="Yjhzub"><span><span>Аннотация:</span></span></strong><br><span><span> Ни классические, ни современные статистические методы не позволяют точно ранжировать факторы и их взаимодействие в такой степени, чтобы функция срабатывала при работе с небольшими, неструктурированными наборами данных. В статье, представленной в данном методе </span></span><strong class="Yjhzub"><span><span>MAGAF</span></span></strong><span><span> , ученые ранжируют все взаимодействия на основе произвольных наборов данных. Метод основан на анализе определения аппроксимирующей поверхности, в частности, угла наклона градиента относительно осей и плоскостей, определяемых факторами. Такой подход позволяет учитывать влияние каждого взаимодействия в любой заданной точке, включая включение «ряда локальных взаимодействий». В отличие от SHAP или активных подпространств, MAGAF не зависит от выбора размера и не требует предварительного поворота модели. MAGAF предлагает новую парадигму анализа, основанную на геометрической, классической локальной системе поведения. Метод применения к планированию экспериментов (DoE) и правила извлечения для экспертных систем на основе исходных данных.</span></span></div> <div class="Y3BBE"><strong class="Yjhzub"><span><span>Ключевые слова:</span></span></strong><span><span> функции аппроксимации, градиентные проекции, ряды общих, MAGAF, фактор влияния, влияние факторов взаимодействия, анализ чувствительности, планирование экспериментов, малые неструктурированные данные, поточное ранжирование, адаптивное проектирование, экспертные системы.</span></span></div> |
| format | Recurso digital |
| id | zenodo_https___doi_org_10_5281_zenodo_19821792 |
| institution | Zenodo |
| language | |
| publishDate | 2026 |
| publisher | Zenodo |
| record_format | zenodo |
| spellingShingle | MAGAF: Method of Analysis of the Gradient of the Approximating Function for Small Data Analysis, Experimental Design, and Expert Systems Milekhin, Sergey <div class="Y3BBE"><strong class="Yjhzub"><span><span>Аннотация:</span></span></strong><br><span><span> Ни классические, ни современные статистические методы не позволяют точно ранжировать факторы и их взаимодействие в такой степени, чтобы функция срабатывала при работе с небольшими, неструктурированными наборами данных. В статье, представленной в данном методе </span></span><strong class="Yjhzub"><span><span>MAGAF</span></span></strong><span><span> , ученые ранжируют все взаимодействия на основе произвольных наборов данных. Метод основан на анализе определения аппроксимирующей поверхности, в частности, угла наклона градиента относительно осей и плоскостей, определяемых факторами. Такой подход позволяет учитывать влияние каждого взаимодействия в любой заданной точке, включая включение «ряда локальных взаимодействий». В отличие от SHAP или активных подпространств, MAGAF не зависит от выбора размера и не требует предварительного поворота модели. MAGAF предлагает новую парадигму анализа, основанную на геометрической, классической локальной системе поведения. Метод применения к планированию экспериментов (DoE) и правила извлечения для экспертных систем на основе исходных данных.</span></span></div> <div class="Y3BBE"><strong class="Yjhzub"><span><span>Ключевые слова:</span></span></strong><span><span> функции аппроксимации, градиентные проекции, ряды общих, MAGAF, фактор влияния, влияние факторов взаимодействия, анализ чувствительности, планирование экспериментов, малые неструктурированные данные, поточное ранжирование, адаптивное проектирование, экспертные системы.</span></span></div> |
| title | MAGAF: Method of Analysis of the Gradient of the Approximating Function for Small Data Analysis, Experimental Design, and Expert Systems |
| url | https://doi.org/10.5281/zenodo.19821792 |