A unified and scalable machine learning framework for feature fusion in object classification using weighted PCA with adaptive concatenation and dynamic scaling
Notice bibliographique
Résumé
Feature fusion is essential for enhancing the performance of machine learning classifiers, particularly when managing heterogeneous, high-dimensional, and multimodal datasets. In this work, we propose Weighted PCA with Adaptive Concatenation and Dynamic Scaling (WPCA-ACDS) , a novel feature fusion technique designed to address challenges such as overfitting, high dimensionality, and noise sensitivity. WPCA-ACDS integrates three key components: Weighted Principal Component Analysis (Weighted PCA) for efficient dimensionality reduction, Adaptive Concatenation for optimal feature selection based on data-driven strategies, and Dynamic Scaling to balance feature contributions and mitigate the impact of outliers or irrelevant features. Through extensive empirical evaluation on five benchmark datasets—CIFAR-10, Caltech-101, Scene-15, MNIST, and Oxford Pets—utilizing five classifiers (SVM, Random Forest, KNN, Logistic Regression, and Decision Trees), we demonstrate that WPCA-ACDS outperforms several state-of-the-art fusion techniques, including Simple Concatenation , PCA-based Concatenation , Average Fusion , Weighted Average Fusion , Product-based Fusion , cv-weight , Multiple Kernel Learning (MKL) , Collaborative Boosting and Dominant Set Fusion . WPCA-ACDS excels in terms of classification accuracy , robustness to noise and high-dimensional data , and computational scalability . Additionally, sensitivity and trade-off analyses emphasize WPCA-ACDS's versatility, solidifying its position as a robust and scalable solution for modern machine learning tasks. Ablation studies further reveal the critical role of each component, demonstrating that the full WPCA-ACDS framework consistently outperforms all ablated variants in classification performance. This establishes WPCA-ACDS as an effective and comprehensive feature fusion technique for a wide range of machine learning tasks.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».