A new extension to kernel entropy component analysis for image-based authentication systems
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
We introduce Feature Dependent Kernel Entropy Component\nAnalysis (FDKECA) as a new extension to Kernel\nEntropy Component Analysis (KECA) for data transformation\nand dimensionality reduction in Image-based recognition\nsystems such as face and finger vein recognition. FDKECA\nreveals structure related to a new mapping space,\nwhere the most optimized feature vectors are obtained and\nused for feature extraction and dimensionality reduction.\nIndeed, the proposed method uses a new space, which is feature\nwisely dependent and related to the input data space, to\nobtain significant PCA axes. We show that FDKECA produces\nstrikingly different transformed data sets compared to\nKECA and PCA. Furthermore a new spectral clustering algorithm\nutilizing FDKECA is developed which has positive\nresults compared to the previously used ones. More precisely,\nFDKECA clustering algorithm has both more time\nefficiency and higher accuracy rate than previously used\nmethods. Finally, we compared our method with three\nwell-known data transformation methods, namely Principal\nComponent Analysis (PCA), Kernel Principal Component\nAnalysis (KPCA), and Kernel Entropy Component Analysis\n(KECA) confirming that it outperforms all these direct competitors\nand as a result, it is revealed that FDKECA can be\nconsidered a useful alternative for PCA-based recognition\nalgorithms.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,121 | 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