Bayesian Classifier with K-Nearest Neighbor Density Estimation for Slope Collapse Prediction
Notice bibliographique
Résumé
Bayesian Classifier with K-Nearest Neighbor Density Estimation for Slope Collapse Prediction Min-Yuan Cheng, Nhat-Duc Hoang, Nai-Wen Chang Pages 267-274 (2013 Proceedings of the 30th ISARC, Montréal, Canada, ISBN 978-1-62993-294-1, ISSN 2413-5844) Abstract: Heavy rainfall and typhoon oftentimes cause the collapse of hillslopes across mountain roads. Disastrous consequences of slope collapses necessitate the approach for predicting their occurrences. In practice, slope collapse prediction can be formulated as a deterministic classification problem with two class labels, namely collapse and non-collapse. Nevertheless, due to the criticality and the uncertainty of the problem, evaluating the collapse susceptibility of an area is a challenging task. This study proposes a novel Artificial Intelligence (AI) approach, named as K-Nearest Neighbor Based Bayesian Classifier (KNNBC), to deal with slope collapse assessment. In the proposed model, Bayesian inference is used as a framework to achieve probabilistic prediction of slope collapse. Meanwhile, K-Nearest Neighbor (K-NN) is employed as a density estimation technique. Equipped with probabilistic outputs, the K-NNBC is able to yield predictions with different levels of confidence and diminish misclassified cases. Experimental results point out that the proposed model is very helpful for decision-makers in slope collapse assessment and disaster prevention planning. Keywords: Slope Collapse Prediction; Bayesian Inference; K-Nearest Neighbor; Probabilistic Classification DOI: https://doi.org/10.22260/ISARC2013/0029 Download fulltext Download BibTex Download Endnote (RIS) TeX Import to Mendeley
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».