A Novel Multi-objective Binary Differential Evolution Algorithm for Multi-label Feature Selection
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
In machine learning, multi-label classification aims to assign labels of instances in a dataset which are associated to more than one class label. Feature selection as an important task in predictive model construction improves the performance of multi-label classification. Since feature selection task can be interpreted as optimizing multiple objectives in a massive search space, multi-objective evolutionary techniques can be applied to tackle this family of problems. In this paper, a binary multi-objective feature selection is proposed for multi-label data with considering number of features and classification accuracy as objectives. A binary differential evolution is proposed based on opposition-based learning concept and partially voting between two candidate solutions to decide about absence or presence of a feature in third randomly selected solution. Because feature selection is basically a binary optimization problem, proposing a binary operator improves the effectiveness of search process in evolutionary algorithms. The proposed operator is utilized in third version of Generalized Differential Evolution (GDE3) which is a multi-objective optimization algorithm to select best subset of multi-label features with minimum number of features. A benchmarking is conducted on eight multi-label datasets in terms of several multi-objective assessment metrics including the Hypervolume indicator, Pure Diversity, and Set-coverage. Experimental results show significant improvements for proposed method in comparison with the state-of-the-art multi-objective feature selection methods for multi-label classification, which are namely NSGA-II and PSO based approaches.
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 | 0,001 |
| 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