研究人员开发了一个新颖的框架,通过一种基于置信度的方法来评估材料数据的质量,该方法将领域知识与图结构学习相结合。这种方法将数据质量视为一个连续的估计问题,而不是一个简单的异常检测任务,从而可以进行样本级别的评估,并与历史数据进行比较。该框架包含一个九维特征质量先验和重复感知样本初始化,并根据材料科学规则和统计证据进行校准。在基准数据集上的实验表明,模型性能有了显著提高,其中一种配置在评估的筛选方法中取得了最高的平均测试 R²。 AI
影响 这项研究通过提供一种更可靠的方式来处理不完美的数据,有望提高材料科学领域机器学习模型的可靠性和准确性。
排序理由 该条目是一篇学术论文,详细介绍了一种新的数据质量评估方法。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- CatalyzeX
- Connected Papers
- cs.LG
- DagsHub
- Frank C. Odds
- Gotit.pub
- HistGradientBoostingRegressor
- Hugging Face
- Litmaps
- Mace
- ScienceCast
- scite Smart Citations
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →