An Integration of Fine-Tuned RoBERTa, Support Vector Machine, and Differential Evolution in Enhancing Multi-Label Text Classification for Academic Publications
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
Two important challenges in multi-label classification are dataset imbalance and overlapping features shared among two or more class labels. This study addresses both challenges as a problem of classifying multi-labels in academic publications by proposing an integration of three main techniques: Robustly Optimized BERT Approach (RoBERTa), Support Vector Machine (SVM), and Differential Evolution (DE) algorithm. In a nutshell, a fine-tuned RoBERTa captures domain-specific semantic features of academic papers; SVM performs initial multi-label classification; and DE optimizes the label-specific threshold combination for each label improving the accuracy of classification decisions. This integration jointly addresses dataset imbalance, overlapping features, and threshold selection issues, which are rarely considered together in prior studies. The experiments were performed on academic papers, collected from arXiv repository with five core subfields of Computer Science. Experimental results showed that the Macro-F1 score of the proposed approach that integrates the fine-tuned RoBERTa model, SVM classifier and DE achieved 0.8018 while the best performance of benchmark methods achieved 0.7218. The significant performance improvement highlights the effectiveness of integrating semantic feature extraction, robust classification, and adaptive threshold optimization to overcome the challenges of dataset imbalance and feature overlap in multi-label classification of academic publications.
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 | 0,001 |
| 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 | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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