
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | School of Computer Science and Engineering | - |
| Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
| Autor(es): dc.creator | Donyavi, Zahra | - |
| Autor(es): dc.creator | Serapiao, Adriane B. S. | - |
| Autor(es): dc.creator | Batista, Gustavo | - |
| Data de aceite: dc.date.accessioned | 2025-08-21T20:46:44Z | - |
| Data de disponibilização: dc.date.available | 2025-08-21T20:46:44Z | - |
| Data de envio: dc.date.issued | 2025-04-29 | - |
| Data de envio: dc.date.issued | 2023-12-31 | - |
| Fonte completa do material: dc.identifier | http://dx.doi.org/10.1109/TKDE.2024.3372011 | - |
| Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/307511 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/307511 | - |
| Descrição: dc.description | Quantification research proposes methods to estimate the class distribution in an independent sample. Quantification methods find applications in areas that rely on estimated aggregated quantities, such as epidemiology, sentiment analysis, political research, and ecological surveillance. For instance, epidemiologists are often concerned with the dynamics of the number of disease cases across space and time. Thus, while classification predicts individual subjects, quantifiers are the methods that directly estimate the number of cases. Although quantification is a thriving area of research, with numerous approaches proposed in the last decade, most focus has been on binary-class quantifiers. One common approach for multi-class quantification is the one-versus-all (OVA) approach, but empirical evidence suggests its performance is suboptimal. This paper's first contribution is to elucidate why OVA quantifiers struggle to perform well in multi-class settings due to a distribution shift. To circumvent this problem, our second proposal is two new multi-class quantifiers based on ensemble learning that significantly improve performance for binary and multi-class settings. Our comprehensive experimental setup with 37 state-of-the-art (single and ensemble) quantifiers shows that our ensembles are the best-performing quantifiers and rank first in a recent quantification competition. | - |
| Descrição: dc.description | University of New South Wales School of Computer Science and Engineering | - |
| Descrição: dc.description | São Paulo State University | - |
| Descrição: dc.description | São Paulo State University | - |
| Formato: dc.format | 4007-4019 | - |
| Idioma: dc.language | en | - |
| Relação: dc.relation | IEEE Transactions on Knowledge and Data Engineering | - |
| ???dc.source???: dc.source | Scopus | - |
| Palavras-chave: dc.subject | Class probability estimation | - |
| Palavras-chave: dc.subject | ensembles | - |
| Palavras-chave: dc.subject | machine learning | - |
| Palavras-chave: dc.subject | multi-class | - |
| Palavras-chave: dc.subject | prevalence estimation | - |
| Palavras-chave: dc.subject | quantification | - |
| Título: dc.title | MC-SQ and MC-MQ: Ensembles for Multi-Class Quantification | - |
| Tipo de arquivo: dc.type | livro digital | - |
| Aparece nas coleções: | Repositório Institucional - Unesp | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: