Dynamically Weighted Pairwise Cross-Attention Driven Feature Fusion in Hybrid Convolutional Neural Networks for Classification of COVID-19 Variants
Notice bibliographique
Résumé
The extensive global impact of coronavirus is evident, causing widespread disruption to public health and economies around the world. This disease is caused by the severe acute respiratory syndrome virus. Accurate detection helps control the virus spread, reduces death rates, and lessens the overall impact on communities. Several significant research gaps exist in handling unbalanced datasets and achieving high accuracy with properly balanced data. These issues pose substantial challenges to the development of robust and reliable classification models. Unbalanced datasets, where certain classes are overrepresented, can bias models towards dominant classes, leading to suboptimal performance for underrepresented strains. To address these gaps, this paper introduces a novel and effective method to classify the three dominant variants of severe acute respiratory syndrome. Alpha, Delta, and Omicron. Here, we utilize a balanced dataset of 9000 images and we propose an innovative series of Dynamically Weighted Pairwise Cross-Attention feature fusion models designed to effectively integrate complementary genomic features, delivering robust and accurate performance across diverse genomic classification tasks. To achieve this, we first utilize Genomic Image Processing techniques, such as Frequency Chaos Game Representation and Markov Transition Field, to transform genomic sequences into informative visual representations, enabling more effective feature extraction and fusion. Then the resultant images are used to train our series of models. Our enhanced models outperform state-of-the-art results by achieving a remarkable accuracy of 99.62%.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».