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
- 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) - Provably Efficient Bayesian Optimization with Unbiased Gaussian Process
Hyperparameter Estimation [52.035894372374756]
目的関数の大域的最適値にサブ線形収束できる新しいBO法を提案する。
本手法では,BOプロセスにランダムなデータポイントを追加するために,マルチアームバンディット法 (EXP3) を用いる。
提案手法は, 様々な合成および実世界の問題に対して, 既存の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-06-12T03:35:45Z) - Exploring the Optimized Value of Each Hyperparameter in Various Gradient
Descent Algorithms [0.0]
勾配降下アルゴリズムは、高い精度または低い誤差の深層学習モデルのパラメータ最適化に応用されている。
本研究では,各対象関数の平均誤差を,様々な勾配降下アルゴリズムに基づいて解析するフレームワークを提案する。
実験の結果,提案手法により高効率収束と低誤差が得られることがわかった。
論文 参考訳(メタデータ) (2022-12-23T12:04:33Z) - 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) - An interpretable prediction model for longitudinal dispersion
coefficient in natural streams based on evolutionary symbolic regression
network [30.99493442296212]
縦分散係数(LDC)の予測には様々な方法が提案されている。
本稿では,まずこれらの手法の詳細な解析を行い,その欠陥を明らかにする。
次に、進化的記号回帰ネットワーク(ESRN)と呼ばれる新しい記号回帰法を設計する。
論文 参考訳(メタデータ) (2021-06-17T07:06:05Z) - 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) - Intelligent Road Inspection with Advanced Machine Learning; Hybrid
Prediction Models for Smart Mobility and Transportation Maintenance Systems [1.0773924713784704]
本稿では,インテリジェント道路検査のための新しい機械学習モデルを提案する。
提案モデルでは, 落下重量偏向計(FWD)による表面偏向データを用いて, 舗装条件指数(PCI)の予測を行う。
解析結果は,平均相対誤差(APRE),平均絶対相対誤差(AAPRE),根平均二乗誤差(RMSE),標準誤差(SD)の4つの基準を用いて検証された。
論文 参考訳(メタデータ) (2020-01-18T19:12:51Z)
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。