Busca avançada
Ano de início
Entree
(Referência obtida automaticamente do Web of Science, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores.)

Relevance prediction in similarity-search systems using extreme value theory

Texto completo
Autor(es):
Oliveira, Alberto [1] ; Oakley, Eric [1] ; Torres, Ricardo da Silva [1] ; Rocha, Anderson [1]
Número total de Autores: 4
Afiliação do(s) autor(es):
[1] Univ Campinas UNICAMP, Inst Comp, Campinas, SP - Brazil
Número total de Afiliações: 1
Tipo de documento: Artigo Científico
Fonte: JOURNAL OF VISUAL COMMUNICATION AND IMAGE REPRESENTATION; v. 60, p. 236-249, APR 2019.
Citações Web of Science: 0
Resumo

Among the challenges present in the design of retrieval systems, how to accurately assess their performance is perhaps one of the most important. Many applications such as rank aggregation or relevance feedback can be significantly improved with online effectiveness estimation of queries. Thus, developing methodologies that can estimate performance with minimal supervision and at query time is of utmost importance for improving the results of existing retrieval systems. In this work, we explore score-based, post-retrieval approaches for relevance prediction of search systems. We first introduce two statistical methods based on the Extreme Value Theory to estimate which of the top - k objects retrieved for a query are relevant. Our prediction approach uses this estimation as a method to infer the overall performance of a query. The two relevance prediction methods were evaluated in image datasets covering several modalities and scoring approaches. We conducted experiments comparing the ground-truth relevances of several ranks with predictions generated by our proposed approach, measuring their effectiveness by way of normalized accuracy and Matthews Correlation Coefficient. Furthermore, we also evaluate the precision deducted from our approaches with the system's expected performance. Those experiments show that the proposed approaches succeed in most relevance prediction scenarios of the top-ranked objects of a query, obtaining high accuracy. (C) 2019 Elsevier Inc. All rights reserved. (AU)

Processo FAPESP: 14/50715-9 - Characterizing and predicting biomass production in sugarcane and eucalyptus plantations in Brazil
Beneficiário:Rubens Augusto Camargo Lamparelli
Linha de fomento: Auxílio à Pesquisa - Parceria para Inovação Tecnológica - PITE
Processo FAPESP: 16/50250-1 - O segredo de jogar futebol: Brasil versus Holanda
Beneficiário:Ricardo da Silva Torres
Linha de fomento: Auxílio à Pesquisa - Temático
Processo FAPESP: 17/20945-0 - EMU concedido no processo 16/50250-1: local positioning system
Beneficiário:Ricardo da Silva Torres
Linha de fomento: Auxílio à Pesquisa - Programa Equipamentos Multiusuários
Processo FAPESP: 14/12236-1 - AnImaLS: Anotação de Imagem em Larga Escala: o que máquinas e especialistas podem aprender interagindo?
Beneficiário:Alexandre Xavier Falcão
Linha de fomento: Auxílio à Pesquisa - Temático
Processo FAPESP: 17/12646-3 - Déjà vu: coerência temporal, espacial e de caracterização de dados heterogêneos para análise e interpretação de integridade
Beneficiário:Anderson de Rezende Rocha
Linha de fomento: Auxílio à Pesquisa - Temático
Processo FAPESP: 13/50155-0 - Combining new technologies to monitor phenology from leaves to ecosystems
Beneficiário:Leonor Patricia Cerdeira Morellato
Linha de fomento: Auxílio à Pesquisa - Programa de Pesquisa sobre Mudanças Climáticas Globais - PITE
Processo FAPESP: 15/24494-8 - Comunicação e processamento de big data em nuvens e névoas computacionais
Beneficiário:Nelson Luis Saldanha da Fonseca
Linha de fomento: Auxílio à Pesquisa - Temático