Proposing a Pareto-VIKOR Ranking Method for Enhancing Parallel Coordinates Visualization
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
Data visualization is an essential step in data science to get better interpretation to analyse data. The parallel coordinates plot (PCP) is a well-known method to visualize high-dimensional (D > 3) data without dimension reduction. In large-scale datasest, PCP may fail because of many clutters and crossing lines in the plot. The order of coordinates is one of the parameters in PCP which can affect on the performance of this method. Finding the best order can be considered as a multi-criteria comparison task based on different metrics such as minimizing the number of crossing lines between adjacent coordinates and the maximizing the pairwise correlation coefcient values. In order to improve the visualization of data using PCP, this paper presents a multi-metric Pareto-VIKOR ranking (PVRPCP), a new method which determines the best order of coordinates based on optimizing two or more metrics. The method consists of evaluating all possible coordinates permutations based on evaluation metrics and applying non-dominated sorting algorithm (NDS) to obtain the Pareto-front ranks (PF). The solutions on each Pareto front are then ranked by VIKOR, a multi-criteria decision making measure. In order to evaluate the effectiveness of the the proposed method in data visualization, we also designed several multi-dimensional benchmarks to represent the effect of ordering in PCP. In addition to author-created benchmarks, several multi-objective function benchmarks and real-world datasets are utilized to evaluate the proposed method. The experimental results show that the PVRPCP offers improved PCP visualization compared to the original order in terms of both utilized metrics.
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 | 0,001 | 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