Bayesian Classifier with K-Nearest Neighbor Density Estimation for Slope Collapse Prediction
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle