2 resultados para Voting-machines.

em Université de Montréal


Relevância:

20.00% 20.00%

Publicador:

Resumo:

The economic voting literature has been dominated by the incumbency-oriented hypothesis, where voters reward or punish government at the ballot box according to economic performance. The alternative, policy-oriented hypothesis, where voters favor parties closest to their issue position, has been neglected in this literature. We explore policy voting with respect to an archetypal economic policy issue – unemployment. Voters who favor lower unemployment should tend to vote for left parties, since they “own” the issue. Examining a large time-series cross-sectional (TSCS) pool of Western European nations, we find some evidence for economic policy voting. However, it exists in a form conditioned by incumbency. According to varied tests, left incumbents actually experience a net electoral cost, if the unemployment rate climbs under their regime. Incumbency, then, serves to break any natural economic policy advantage that might accrue to the left due to the unemployment issue.

Relevância:

20.00% 20.00%

Publicador:

Resumo:

L'entraînement sans surveillance efficace et inférence dans les modèles génératifs profonds reste un problème difficile. Une approche assez simple, la machine de Helmholtz, consiste à entraîner du haut vers le bas un modèle génératif dirigé qui sera utilisé plus tard pour l'inférence approximative. Des résultats récents suggèrent que de meilleurs modèles génératifs peuvent être obtenus par de meilleures procédures d'inférence approximatives. Au lieu d'améliorer la procédure d'inférence, nous proposons ici un nouveau modèle, la machine de Helmholtz bidirectionnelle, qui garantit qu'on peut calculer efficacement les distributions de haut-vers-bas et de bas-vers-haut. Nous y parvenons en interprétant à les modèles haut-vers-bas et bas-vers-haut en tant que distributions d'inférence approximative, puis ensuite en définissant la distribution du modèle comme étant la moyenne géométrique de ces deux distributions. Nous dérivons une borne inférieure pour la vraisemblance de ce modèle, et nous démontrons que l'optimisation de cette borne se comporte en régulisateur. Ce régularisateur sera tel que la distance de Bhattacharyya sera minisée entre les distributions approximatives haut-vers-bas et bas-vers-haut. Cette approche produit des résultats de pointe en terme de modèles génératifs qui favorisent les réseaux significativement plus profonds. Elle permet aussi une inférence approximative amérliorée par plusieurs ordres de grandeur. De plus, nous introduisons un modèle génératif profond basé sur les modèles BiHM pour l'entraînement semi-supervisé.