Discriminant analysis based on modified generalised singular value decomposition and its numerical error analysis
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
Generalised singular value decomposition (GSVD) has been used in the literature for linear discriminant analysis (LDA) to solve the small sample size problem in pattern recognition. However, this method, commonly known as LDA/GSVD algorithm, suffers from excessive computational load when the sample dimension is high. Here the GSVD framework used in the LDA/GSVD algorithm is modified by replacing the SVD of a high-dimension matrix with the eigen-decomposition of a small size inner product matrix, thus circumventing the direct calculation of a high-dimension singular vector matrix. It is established by a theorem that if the samples are linearly independent in the feature space, the samples in each class are degenerated into a distinct single point of a discriminative space derived from the GSVD-based algorithms, and the distances between the points depend only on the respective numbers of the samples in the corresponding classes. In order to overcome the over-fitting problem, a method to orthogonalise the basis of the discriminative subspace is proposed. The proposed linear algorithm is kernelised for the discriminant analysis of samples that are not linearly independent as the non-linear kernel mapping can establish linear independence. The results of the above theorem are used to develop a method to measure the numerical error. This measure can also be used to decide the kernel parameters to minimise the numerical error in the non-linear algorithm.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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