Multiclass and Multilabel Classifications by Consensus and Complementarity-Based Multiview Latent Space Projection
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
The fusion of multiview data sets, in which features of each sample are categorized into distinct groups, is increasingly important in the big data era. Successful multiview learning approaches have mechanisms to enforce consensus and/or complementarity among views. This article introduces a framework called the consensus and complementarity-based multiview latent space projection (MVLSP-2C) that enforces both principles simultaneously. Consensus is established by extracting and representing information shared by all views in a shared latent space, whereas complementarity among views is achieved by the representation in view-specific spaces. As the diversity of the multiview feature representation benefits classification performance, MVLSP-2C minimizes the similarity between the shared and view-specific representations, thereby improving diversity. The driving principle of MVLSP-2C is that the latent space representation is obtained by optimally projecting it to match the original feature space representation on a view-by-view basis. Unlike pairwise consensus methods that enforce consistency between two views, matching on a view-by-view basis allows extensions to settings with more than two views. A related and important advantage of this per-view matching design is that a class view can be readily incorporated to learn a supervised representation that facilitates subsequent classification. As the class view is added without an assumption on the exclusivity of classes, MVLSP-2C is equally applicable to multiclass single-label and multilabel classifications. MVLSP-2C further optimizes the integration of latent variables based on their correlation. Extensive experiments in multiclass and multiview image datasets show that MVLSP-2C produces more accurate classification results as compared to state-of-the-art methods.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,000 | 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