Enhancing Parallel Coordinates Visualization Using Genetic Algorithm with Smart Mutation
Notice bibliographique
Résumé
Visualization techniques have received a lot of attention regarding their potential to interpret and analyze the data.One of the marked visualization methods is the Parallel Coordinates Plot (PCP) utilized to high-dimensional datasets (more than three dimensions). Due to that, in visualizing large-scale datasets, the method suffers from high clutters produced from numerous intersection lines between neigh-boring axes, numbers of researchers have conducted techniques to boost PCPs. For instance, reducing the number of crossing lines by utilizing the re-ordering the neighboring axes in the PCP technique is a useful procedure to reduce the clutter. Motivated by this goal, the acquisition of the optimal coordinate's order can be classified as a combinatorial optimization problem. However, in high-dimensional datasets, the optimization algorithm may face difficulty to deal with this issue. In this paper, we propose a smart mutation operator to enhance the performance of Genetic Algorithm (GA) in finding the optimal order of PCP based on diminishing the numerous intersection lines. However, any other user-desired metric can be utilized as an objective function. To assess the introduced method, we conducted a Monte Carlo simulation and several experiments to find an optimal coordinates' order in PCP to visualize the datasets with various numbers of samples and dimensions. In the experimental results, utilizing the smart mutation represents an improvement in PCP visualization in terms of reducing the intersection lines between the neighboring coordinates compared to the original GA.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».