MétaCan
Menu
Retour à la cohorte
Enregistrement W1988996388 · doi:10.5555/777092.777258

Generalized features: their application to classification

2002· article· en· W1988996388 sur OpenAlex
Svetlana Kiritchenko, Stan Matwin

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueNational Conference on Artificial Intelligence · 2002
Typearticle
Langueen
DomaineComputer Science
ThématiqueText and Document Classification Technologies
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésComputer sciencesortFocus (optics)Set (abstract data type)Feature (linguistics)Process (computing)Artificial intelligenceMachine learningInformation retrievalData mining

Résumé

récupéré en direct d'OpenAlex

Classification learning algorithms in general, and text classification methods in particular, tend to focus on features of individual training examples, rather than on the relationships between the examples. However, in many situations a set of items contains more information than just feature values of individual items. For example, taking into account the articles that are cited by or cite an article in question would increase our chances of correct classification. We propose to recognize and put in use generalized features (or set features), which describe a training example, but depend on the dataset as a whole, with the goal of achieving better classification accuracy. Although the idea of generalized features is consistent with the objectives of relational learning (ILP), we feel that instead of using the computationally heavy and conceptually general ILP methods, there may be a benefit in looking for approaches that use specific relations between texts, and in particular, between emails. Generalized features are the way to capture the information that lies beyond a particular item, the information that combines the dataset in some sort of structure. Different datasets have different structures, but we could guess what kind of information would be useful for classification. It is similar to the process of choosing relevant features. For example, we can guess that the references are relevant to the topic of an article, but the relative length is not. There have been some attempts to include additional information about a dataset to the standard classification process based on plain features. One example is using references to classify technical articles and hyperlinks to classify web pages. This research shows that some links could be confusing while others are very helpful. Another example is character recognition. The recognition process can be based not only on the shape of a character, but also on preceding characters and even preceding words. Our attention is focused on the email classification problem. Nowadays, when a typical user receives about 4050 email messages daily, there is a great need in automatic classification systems that could sort, archive, and filter messages accurately. Typically, people work with emails as with general texts and base the classification decisions on the words that appear in the header and in the body of an

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,982
Score d'incertitude au seuil0,998

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,003

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.

Tête enseignante Opus0,169
Tête enseignante GPT0,343
Écart entre enseignants0,174 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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