
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 | Universidade Estadual Paulista (UNESP) | - |
| Autor(es): dc.contributor | University of New South Wales | - |
| Autor(es): dc.creator | Serapião, Adriane B. S. | - |
| Autor(es): dc.creator | Donyavi, Zahra | - |
| Autor(es): dc.creator | Batista, Gustavo | - |
| Data de aceite: dc.date.accessioned | 2025-08-21T23:07:23Z | - |
| Data de disponibilização: dc.date.available | 2025-08-21T23:07:23Z | - |
| Data de envio: dc.date.issued | 2025-04-29 | - |
| Data de envio: dc.date.issued | 2022-12-31 | - |
| Fonte completa do material: dc.identifier | http://dx.doi.org/10.1007/978-3-031-45275-8_1 | - |
| Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/309778 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/309778 | - |
| Descrição: dc.description | Quantification is a supervised Machine Learning task that estimates the class distribution in an unlabeled test set. Quantification has practical applications in various fields, including medical research, environmental monitoring, and quality control. For instance, medical research often estimates the prevalence of a particular disease in a population. Despite being a thriving research area, most existing quantification methods are limited to binary-class problems. Moreover, recent experimental evidence suggests that modern state-of-the-art quantifiers do not perform well for multi-class problems, which are prevalent in quantification. This paper proposes two novel multi-class ensemble quantifiers, FMC-SQ and FMC-MQ, that use data fusion methods at the classifier and quantifier levels. We conducted experiments with 12 state-of-the-art (single and ensemble) quantifiers to evaluate our models on 31 multi-class datasets. Our experimental results indicate that FMC-MQ is the best-performing quantifier outperforming other single and ensemble methods. Also, aggregating quantifier outputs seem to be a more promising research direction than aggregating classification scores for quantification. | - |
| Descrição: dc.description | São Paulo State University | - |
| Descrição: dc.description | University of New South Wales | - |
| Descrição: dc.description | São Paulo State University | - |
| Formato: dc.format | 3-17 | - |
| Idioma: dc.language | en | - |
| Relação: dc.relation | Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) | - |
| ???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 | Ensembles of Classifiers and Quantifiers with Data Fusion for Quantification Learning | - |
| Tipo de arquivo: dc.type | aula 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: