Reinforced Dual-Flow Neural Network for Tabular Data Classification With Dynamical Transformer and Fuzzy Clustering
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
A novel reinforced dual-flow neural network based on attention and a polynomial-based radial basis function network (DFBTP) is proposed to enhance classification performance on tabular data. DFBTP consists of two types of architectures such as advanced Transformer model based on Tabular Prior data Fitted Network (TabPFN) and SV-clustering driven radial basis function neural network (SV-PRBFNN). The conventional PRBFNN model may encounter local minima and noise issues during training, which negatively impacts its performance. Local minima result from initial parameter choices, and noise issues are inherent in the dataset. By introducing the Transformer model and the Whale Optimization Algorithm (WOA), these challenges can be mitigated. Within the dual-flow architecture, the attention flow is trained using Bayesian inference capabilities and structural causal models, and it uses the self-attention mechanism to capture global features. This approach mitigates the problem of local minima. SV-PRBFNN flow uses the fuzzy clustering algorithm based on support vectors to replace the original radial basis function for training. Fuzzy clustering based on support vectors can alleviate the negative impact of outliers on model performance and also reduce the number of fuzzy rules. During neural network hyperparameter optimization, WOA is used to identify the global optimal values for hyperparameters. In the experiments, DFBTP demonstrated its superiority in classification accuracy in comparative experiments on 18 datasets and 13 models, and also performed well on real-world datasets. The robust performance of DFBTP was further validated through statistical analysis of the experimental results.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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