Sağdaki UMAP haritasındaki bir noktaya tıklayarak detayları burada inceleyin.
Özet...
Soldaki havuzdan bir makaleye tıkladığınızda detaylı anomali analizi, GLOSH skoru, k-NN uzlaşısı ve sınıflandırma önerileri burada açılır.
| Mevcut Kategori: | |
|---|---|
| Model Önerisi: | |
| k-NN Yerel Uzlaşısı: | |
| Küme Bilgisi: | |
| Adaylık / Öncelik: |
| Mevcut Kategori: | |
|---|---|
| Model Önerisi: | |
| k-NN Yerel Uzlaşısı: | |
| Küme Bilgisi: | |
| Adaylık / Öncelik: |
Sistem, bir makalenin mevcut disiplin etiketinin semantik içeriği ve yerel komşuluk yapısıyla tutarsız olabileceği durumları belirleyerek manuel inceleme için aday üretir.
label_sim_fark
Makalenin mevcut kategorisi ile en güçlü alternatif kategori arasındaki semantik uyum farkıdır. Yüksek değer alternatif kategorinin semantik olarak daha güçlü eşleştiğini gösterir.
knn_impurity
En yakın 10 semantik komşunun ne kadarının makalenin mevcut kategori kümesiyle uyuşmadığını gösterir (% cinsinden).
knn_baskinlik
Yerel komşulukta en sık görülen alternatif disiplinin ağırlığını gösterir.
glosh_skoru
HDBSCAN'den türetilen yoğunluk tabanlı sürekli aykırılık skorudur. Probability (olasılık) değildir.
ortak_agac_derinligi
Mevcut ve önerilen kategori yollarının hiyerarşik ortaklığını ifade eder. 0 farklı ana disiplin, 1 aynı ana disiplin altında farklı alt alan adaylığını temsil eder.
supheli_mi == 1)ortak_agac_derinligi ≤ 1 (Ana disiplin veya üst alt alan)knn_impurity ≥ 0.50 (Komşuların en az yarısı farklı)sim_fark > 0.08 (Alternatif kategori belirgin güçlü)knn_onayliyor_mu == 1 (kNN alternatif yönü destekliyor)knn_baskinlik ≥ 0.30 VEYA glosh_skoru > 0.70label_sim_fark ≥ 0.09
derinlik == 0 VE knn_baskinlik ≥ 0.30
derinlik == 1 VE (model_oneri == knn_oneri VEYA knn_baskinlik ≥ 0.40)
Risk = 0.40 × kNN Impurity + 0.35 × min(max(label_sim_fark, 0), 1) + 0.25 × GLOSH
İnceleme Önceliği [0.0 - 1.0]
Risk skoru, kalibre edilmiş bir olasılık (probability) değildir. Üç bağımsız kanıt katmanının (yerel komşuluk, semantik taksonomi mesafesi ve yoğunluk aykırılığı) birleştirilmesiyle türetilen sezgisel bir manuel inceleme önceliklendirme metriğidir.
knn_baskinlik risk formülüne girmez; yalnızca aday karar kurallarında asgari komşuluk konsensüsü barajı olarak kullanılır.
Clustering ve outlier (GLOSH) analizi 15 boyutlu UMAP temsili üzerinde gerçekleştirilir. Dashboard'daki 2D UMAP görünümü yalnızca görselleştirme amaçlıdır ve anomali kararını etkilemez.
Bu sistem otomatik bir yanlış etiket kararı veya otomatik yeniden etiketleme üretmez. Çıktılar uzman tarafından manuel olarak incelenmesi gereken adayları önceliklendirmek amacıyla kullanılır.