Dual-Channel Fuzzy Interaction Information Fused Feature Selection With Fuzzy Sparse and Shared Granularities
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
Fuzzy information granularity is an effective granular computation approach for feature evaluation and selection. However, most existing methods rely on a single granulation channel, neglecting different granularity representations. In this article, a novel dual-channel fuzzy interaction information fused feature selection with fuzzy sparse and shared granularities is proposed. It mainly comprises the following three parts. First, a dual-channel framework is introduced to construct the fuzzy information granularity from two different strategies. One channel employs sparse mutual strategy to form the sparse representation-based fuzzy information granularity, while the other constructs the fuzzy shared information granularity with a novel fuzzy semi-ball. Second, in each channel, the criteria of maximum relevancy, minimum redundancy, and maximum interaction is adopted to access feature correlation and perform feature ranking. Third, the two feature sequences derived from the dual-channel are fused to form a final feature sequence based on the within-class and between-class mechanism. To validate the efficacy of the proposed method, experimental validations on 15 datasets and schizophrenia data are conducted. The results show that the proposed method outperforms other algorithms in classification accuracy and statistical analysis. Moreover, its superiority regarding accuracy can be demonstrated in the experiments of schizophrenia detection, where it performs well in recognizing schizophrenia through visual interpretation.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,004 |
| 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