MVRLR: Multiple Perspectives Feature Representation Based on Low-rank Representation Learning for Short Video
Notice bibliographique
Résumé
Abstract In recent years, with the rapid development of the Internet, multimedia information and its processing technology began to flourish. Today, smart terminals represented by smartphones are becoming more and more popular, and the era of mobile Internet has arrived. While changing the way multimedia information is composed and accessed, the Internet has also led to explosive growth in the amount of multimedia data. Short videos are often used as a social medium and spread on short video social platforms. Despite their limited length, short videos can always depict a relatively simple but complete story in a relatively short time. At the same time, they are always produced by non-professional users. We propose a short video feature presentation model MVRLR based on low-rank representation learning for multiple perspectives, which not only maximizes the complementarity and correlation among multiple perspectives, but also learns the subspace structure of lower dimensional eigenvalues through low-rank embedding; on this basis, we introduce a robust elastic regularization network to learn the potential label matrix to prevent the overfitting problem. Second, to further solve the high-dimensional and nonlinear problems of the data, the proposed model is extended to a multilinear form by constructing a new eigenmatrix through kernel functions to improve the model's ability to deal with high-dimensional nonlinear problems. We conduct several experiments to confirm that the model performs better than other baselines.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 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 ».