Rough set data representation using binary decision diagrams.
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
A new information system representation, which inherently represents indiscernibility is presented.The basic structure of this representation is a Binary Decision Diagram.We offer testing results for converting large data sets into a Binary Decision Diagram Information System representation, and show how indiscernibility can be efficiently determined.Furthermore, a Binary Decision Diagram is used in place of a relative discernibility matrix to allow for more efficient determination of the discernibility function than previous methods.The current focus is to build an implementation that aids in understanding how binary decision diagrams can improve Rough Set Data Analysis methods. Representaci n de datos de conjuntos aproximados mediante diagramas de decisi n binariosResumen.Se expone una nueva representacin de sistema de informacin, que incorpora inherentemente la indiscernibilidad.La estructura bsica de esta representacin es un diagrama de decisin binario.Se ofrecen los resultados de unas pruebas llevadas a cabo para convertir grandes conjuntos de datos en una representacin de sistema de informacin de diagrama de decisin binario, y se muestra cmo se puede determinar, de forma eficaz, la indiscernibilidad.Adems, se utiliza un diagrama de decisin binario en lugar de una matriz de discernibilidad relativa para permitir que la determinacin de la funcin de discernibilidad sea ms eficaz que en los mtodos anteriores.Actualmente, el inters se centra en la construccin de una implementacin que ayude a entender cmo los diagramas de decisin binarios pueden mejorar los mtodos de anlisis de datos de los conjuntos aproximados.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| 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