Reinforced Fuzzy-Rule-Based Neural Networks Realized Through Streamlined Feature Selection Strategy and Fuzzy Clustering With Distance Variation
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
In this article, we present a dimensionality reduction methodology of reinforced fuzzy-rule-based neural networks (FRNNs) realized with the help of determination/correlation coefficient-based streamlined feature selection strategy and fuzzy clustering with standard deviation to cope with high-dimensional data. This approach aims to reduce the design process of the proposed networks and to curb the computational overhead inherently associated with the increasing volume of data both in terms of their number and the dimensionality of the feature space. The overall architecture and learning mechanism of the FRNNs are based on radial basis function neural networks. However, we design the hidden layer of RBFNNs differently by using fuzzy clustering, which makes it easy to determine the parameters, such as centers and widths of the receptive fields (activation functions). Unlike conventional neural networks, the RBFNNs do not have a feature to support dimensionality reduction. To overcome this limitation, FRNNs select input variables by evaluating the adjusted determination coefficient of the model. To reduce the computational burden of finding an appropriate combination of inputs, we propose a simplified feature selection and elimination technique, in which the variables are selected or eliminated by correlation coefficients. A linear function expresses the connection weight, and we apply L<sub xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sub>-norm regularization to least-square-error-based learning to estimate stable coefficients (weights), which is expected to significantly improve the generalization ability. The superiority of the proposed FRNNs was demonstrated by using 28 real-world benchmark datasets. The networks are also compared with the conventional models associated with the FRNNs and several related models previously published in the literature.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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