論文の概要: Improved prediction of soil properties with Multi-target Stacked Generalisation on EDXRF spectra

• arxiv url: http://arxiv.org/abs/2002.04312v1
• Date: Tue, 11 Feb 2020 11:05:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-02 01:10:00.989780
• Title: Improved prediction of soil properties with Multi-target Stacked Generalisation on EDXRF spectra
• Title（参考訳）: edxrfスペクトルのマルチターゲット積層一般化による土壌特性予測の改善
• Authors: Everton Jose Santana and Felipe Rodrigues dos Santos and Saulo Martiello Mastelini and Fabio Luiz Melquiades and Sylvio Barbon Jr
• Abstract要約: エネルギー分散X線蛍光(EDXRF)は、より迅速で環境に優しい分析手法の一つである。 EDXRFスペクトル分析におけるいくつかの課題は、正確な結果を提供するためのより効率的な方法を必要とする。 MTR(Multi-target Regression)手法を用いることで,複数のパラメータの予測が可能となり,相関パラメータの活用により,全体的な予測性能が向上する。
• 参考スコア（独自算出の注目度）: 1.2599533416395765
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine Learning (ML) algorithms have been used for assessing soil quality parameters along with non-destructive methodologies. Among spectroscopic analytical methodologies, energy dispersive X-ray fluorescence (EDXRF) is one of the more quick, environmentally friendly and less expensive when compared to conventional methods. However, some challenges in EDXRF spectral data analysis still demand more efficient methods capable of providing accurate outcomes. Using Multi-target Regression (MTR) methods, multiple parameters can be predicted, and also taking advantage of inter-correlated parameters the overall predictive performance can be improved. In this study, we proposed the Multi-target Stacked Generalisation (MTSG), a novel MTR method relying on learning from different regressors arranged in stacking structure for a boosted outcome. We compared MTSG and 5 MTR methods for predicting 10 parameters of soil fertility. Random Forest and Support Vector Machine (with linear and radial kernels) were used as learning algorithms embedded into each MTR method. Results showed the superiority of MTR methods over the Single-target Regression (the traditional ML method), reducing the predictive error for 5 parameters. Particularly, MTSG obtained the lowest error for phosphorus, total organic carbon and cation exchange capacity. When observing the relative performance of Support Vector Machine with a radial kernel, the prediction of base saturation percentage was improved in 19%. Finally, the proposed method was able to reduce the average error from 0.67 (single-target) to 0.64 analysing all targets, representing a global improvement of 4.48%.
• Abstract（参考訳）: 機械学習(ML)アルゴリズムは、土壌品質パラメータと非破壊的手法の評価に使用されている。 分光分析法の中では、エネルギー分散X線蛍光(EDXRF)は従来の方法よりも速く、環境に優しく、安価である。 しかしながら、edxrfスペクトルデータ解析におけるいくつかの課題は、正確な結果を提供するためのより効率的な方法を必要とする。 MTR(Multi-target Regression)手法を用いることで,複数のパラメータの予測が可能となり,相関パラメータの活用により全体的な予測性能が向上する。 本研究では,Multi-target Stacked Generalisation (MTSG)を提案する。 MTSG法と5 MTR法を比較し,土壌の肥育度を10パラメータ予測した。 ランダムフォレストとサポートベクトルマシン(リニアカーネルとラジアルカーネル)は、各MSRメソッドに組み込まれた学習アルゴリズムとして使用された。 その結果、MTR法は従来のML法よりも優れていることが示され、5つのパラメータの予測誤差が低減された。 特に、MTSGはリン、全有機炭素、カチオン交換能の最低誤差を得た。 放射状カーネルを用いた支持ベクターマシンの相対性能を観測すると,ベース飽和率の予測が19%向上した。 最後に,提案手法は平均誤差を0.67 (シングルターゲット) から 0.64 に削減し,グローバル改善率4.48%を示した。

関連論文リスト

• A Gradient Analysis Framework for Rewarding Good and Penalizing Bad Examples in Language Models [63.949883238901414]
  本稿では,損失関数の勾配解析の特異な角度について述べる。 ExMATEはMLEの優れたサロゲートであり,DPOとMLEの代わりにExMATEを組み合わせることで,統計的(5-7%)と生成的(+18%)の性能が向上することがわかった。
  論文  参考訳（メタデータ） (2024-08-29T17:46:18Z)
• Distribution Learning for Molecular Regression [10.96062816455682]
  Distributional Mixture of Experts (DMoE) はモデルに依存しない、データに依存しない回帰法である。 分子特性予測データセットを用いたDMoEの性能評価を行った。
  論文  参考訳（メタデータ） (2024-07-30T00:21:51Z)
• DeepMpMRI: Tensor-decomposition Regularized Learning for Fast and High-Fidelity Multi-Parametric Microstructural MR Imaging [15.408939800451696]
  本稿では,様々な拡散モデルから高速かつ高忠実なマルチパラメトリック推定を行うための統一フレームワークを提案する。 DeepMpMRIは、細部を効果的に捉えるために新しく設計されたテンソル分解ベースの正規化器を備えている。
  論文  参考訳（メタデータ） (2024-05-06T04:36:02Z)
• Model-Based Reparameterization Policy Gradient Methods: Theory and Practical Algorithms [88.74308282658133]
  Reization (RP) Policy Gradient Methods (PGM) は、ロボット工学やコンピュータグラフィックスにおける連続的な制御タスクに広く採用されている。 近年の研究では、長期強化学習問題に適用した場合、モデルベースRP PGMはカオス的かつ非滑らかな最適化環境を経験する可能性があることが示されている。 本稿では,長期モデルアンロールによる爆発的分散問題を緩和するスペクトル正規化法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T18:43:21Z)
• Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
  本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。 機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。 提案手法は,画像分類における既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-12-02T07:31:39Z)
• Optimization of Annealed Importance Sampling Hyperparameters [77.34726150561087]
  Annealed Importance Smpling (AIS) は、深層生成モデルの難易度を推定するために使われる一般的なアルゴリズムである。 本稿では、フレキシブルな中間分布を持つパラメータAISプロセスを提案し、サンプリングに少ないステップを使用するようにブリッジング分布を最適化する。 我々は, 最適化AISの性能評価を行い, 深部生成モデルの限界推定を行い, 他の推定値と比較した。
  論文  参考訳（メタデータ） (2022-09-27T07:58:25Z)
• Sparse high-dimensional linear regression with a partitioned empirical Bayes ECM algorithm [62.997667081978825]
  疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。 パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。 提案手法はRパッケージプローブに実装されている。
  論文  参考訳（メタデータ） (2022-09-16T19:15:50Z)
• Highly efficient reliability analysis of anisotropic heterogeneous slopes: Machine Learning aided Monte Carlo method [0.0]
  本稿では,高効率な機械学習支援信頼性手法を提案する。 モンテカルロ(MC)の信頼性調査の結果を正確に予測できるが、500倍高速である。 提案手法は,研究に必要な計算時間を306日から14時間に短縮し,効率を500倍に向上させる。
  論文  参考訳（メタデータ） (2022-04-04T16:28:53Z)
• Improving Sampling Accuracy of Stochastic Gradient MCMC Methods via Non-uniform Subsampling of Gradients [54.90670513852325]
  サンプリング精度を向上させるための一様でないサブサンプリング手法を提案する。 EWSGは、一様勾配MCMC法がバッチ勾配MCMC法の統計的挙動を模倣するように設計されている。 EWSGの実践的な実装では、データインデックス上のMetropolis-Hastingsチェーンを介して、一様でないサブサンプリングを効率的に行う。
  論文  参考訳（メタデータ） (2020-02-20T18:56:18Z)
• Double/Debiased Machine Learning for Treatment and Causal Parameters [5.405360145866329]
  MLツールを介して補助予測問題を解くことにより、正規化バイアスを除去する方法を示す。 この手法は、一次および補助的予測モデルの推定に依存するため、「二重ML」と呼ばれることができる。 これにより、補助的および主予測問題の解決に、非常に広い範囲のML予測手法を使用することができる。
  論文  参考訳（メタデータ） (2016-07-30T01:58:04Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。