An optimized Indian-General-Elections-Based social science data prediction using multiscale dense nested parallel MobileNetV3 mantis search attention network
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
Forecasting an election outcome is a challenging exercise because of the constantly varying and numerous political, social, and demographic factors. Unlike electoral data, no work explores the local structure in large-scale data since traditional approaches fail to capture complex patterns involving large sets of data, especially from diverse areas such as India. This research aims to present an improved, large-scale scale, and efficient prediction model for Indian General Elections through a Multiscale Dense Nested Parallel MobileNetV3 Mantis Search Attention Network, 3MDNPV3-SAN. The model is developed to overcome the shortcomings common to other techniques and incorporates several approaches. For data preprocessing, the novel Anisotropic Gaussian Filtering with Directionally Truncated First Derivative (AG2F2DT) is proposed to perform smoothing and eliminate noise while preserving significant directional information. To achieve the right feature selection for optimal modeling results, the proposed Group Teaching Optimization Algorithm (GTOA) is used, so as to retain and only use significant features in modeling. The main structure of the prediction process is based on two models: the 3MDNPV3-SAN model based on multiscale dense nests, the MobileNetV3 parallel framework, and a dynamic Mantis Search Attention Network for data region emphasis. The proposed model proves itself with 99.1% accuracy, 99.3% precision, 99.7% recall, 99.6% sensitivity, 0.1% error rate, 4% computation complexity, and 0.01% computational cost while outcompeting more conventional approaches due to the incorporation of multiscale interactions as well as dynamic attention. The work hence provides a scalable robust efficient model that can be used to analyze electoral phenomena and to support decisions and design in the social sciences. The methodology is in Python which means that it is practically applicable for large databases.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,001 | 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