Sparse Multiple Factor Analysis, sparse STATIS, and sparse DiSTATIS with applications to sensory evaluation
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
Abstract Component‐based multitable methods, such as multiple factor analysis (MFA), STATIS, and DiSTATIS, are routinely used to analyze multiblock data, which are now common in chemometrics and sensory evaluation studies. These blocks of data form data tables that—for example, in sensory evaluation—describe how different assessors evaluate a set of products either on a set of descriptors or on the similarity between products. To analyze these data, component‐based multitable methods extract orthogonal components explaining most of the variance of the data. However, when the data tables are heterogeneous or have complex structures, a single component space does not represent the data well and can give components that are difficult to interpret. Previous literature solved this interpretation problem by eliminating irrelevant variables—a process called sparsification —while keeping the components orthogonal. Here, we extended such methods to develop sparsification algorithms for three multitable methods, namely, “sparse MFA” (sMFA), “sparse STATIS” (sSTATIS), and “sparse DiSTATIS” (sDiSTATIS). In these sparse methods, we sparsified the data tables to identify the most informative assessors or products. In sMFA, we show how group sparsity can be used to sparsify whole tables (i.e., assessors or products), hereby greatly increasing the interpretability of sMFA's outcome. In sSTATIS and sDiSTATIS, we developed two different sparsification approaches: One approach creates subgroups of products and simplifies the components to facilitate interpretation; whereas the other approach creates subgroups of assessors and alleviates the problem of heterogeneity. We showed with three examples how these sparse methods increase interpretability of the results in sensory evaluation.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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