Multimedia Classification via Tensor Linear Discriminant Analysis
Notice bibliographique
Résumé
Linear discriminant analysis (LDA) is a well-known feature-extraction technique for data analytic and pattern classification. As the dimensionality of multimedia data has increased in this big era, it is often to characterize data by tensors. Over the past two decades, researchers have thus explored to extend LDA to the general tensor space, especially in two common ways: LDA of tensors using tensor decomposition methods (by conversion of tensors to matrices) and LDA of tensors built upon the T-product. However, both of the aforementioned approaches have restrictions thereby. A critical problem about how to carry out LDA of arbitrary scatter tensors based on the Einstein product still remains unsolved by the existing methods. Therefore, we propose a novel tensor LDA (a.k.a. TLDA) approach, which can carry out the LDA of arbitrary-dimensional scatter-tensors without any need of tensor decomposition. Besides, for reducing the computation time, we also design a parallel paradigm to execute our proposed TLDA in this work. Numerical experiments conducted over real multimedia data demonstrate the efficacy of our proposed new TLDA in terms of classification accuracy. Moreover, the comparison of the classification accuracies, computational-complexities, and memory-complexities of our proposed novel TLDA scheme and other existing tensor-based LDA methods is made. By leveraging TLDA for high-dimensional feature extraction, segmentation, and user-item interaction data processing, future multimedia recommendation systems can facilitate more accurate, engaging, and satisfactory user experience over the Internet.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».