Multi-label classification analysis with modified C-Tran on SCIN dataset ,
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
Skin conditions affect millions of people globally, with symptoms appearing in different body areas. Technological advancements have brought diverse data types, including situations where an image depicting a skin condition can be assigned multiple labels. The Classification Transformer (C-Tran) method, which utilizes transfer learning and transformers, was developed for multi-label classification. Recently, Google introduced a new dataset called SCIN (Skin Condition Image Network), which aims to provide diverse data on skin conditions. This research aimed to use the C-Tran method for the multi-label classification of skin conditions with the SCIN dataset while incorporating additional metadata inputs to improve the metric results. The results show that the multi-label classification process using metadata is far superior to the model without metadata. For example, In the mAP metric, models that utilized metadata scored 82.37, whereas models without metadata only scored 47.02. Similarly, models with metadata achieved 70.83% in the accuracy metric, while models without metadata achieved only 34.72%. Out of the 10,379 data points available with metadata in the SCIN dataset, only 718 were actually utilized for the classification task. It is thought that the inaccurate prediction outcomes are due to unreliable data, even with a confidence level of 4. In this analysis, two metadata categories stood out the most in terms of different measurements: the body part and symptoms metadata categories from the SCIN dataset. With just the body part and symptoms metadata groups, the mAP results achieved a 74.23%, accuracy at 63.89%, CF1 at 68.79%, and OF1 at 73.13%.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,005 | 0,001 |
| 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