Prediction Intervals for Granular Data Streams Based on Evolving Type-2 Fuzzy Granular Neural Network Dynamic Ensemble
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
Granular data streams (GDSs) are a class of high-level abstract multitime scale description of data streams. Prediction intervals (PIs) for GDSs that provide estimated values as well as their corresponding reliability play an important role for assisting on-site workers to perceive the nonstationary environment in real time. However, constructing reliable PIs for GDSs constitutes a significant challenge. To provide a solution to the problem, an interval type-2 (IT2) fuzzy granular neural network (FGNN) dynamic ensemble approach (IT2FGNNDEnsemble) is proposed in this article. To fully reflect the uncertainty of GDSs, an interval value learning algorithm based IT2FGNN is developed, which can automatically generate, prune, merge, and realize recall in a single-pass learning mode. In addition, an evolving dynamic ensemble method is presented by providing an adaptive structure that considers a tradeoff between coverage and width of PIs, which can dynamically generate and prune the element of an ensemble according to current data tendency. A number of synthetic and industrial data streams experimentally validate the performance of the proposed IT2FGNNDEnsemble by using the state-of-the-art comparative methods. It is demonstrated that the proposed approach exhibits a good performance on PIs for practical applications.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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