論文の概要: Active Learning Methods for Efficient Hybrid Biophysical Variable
Retrieval
- arxiv url: http://arxiv.org/abs/2012.04468v1
- Date: Mon, 7 Dec 2020 08:56:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-16 20:47:52.050575
- Title: Active Learning Methods for Efficient Hybrid Biophysical Variable
Retrieval
- Title(参考訳): ハイブリッド生物物理変数検索のための能動学習法
- Authors: ochem Verrelst, Sara Dethier, Juan Pablo Rivera, Jordi Mu\~noz-Mar\'i,
Gustau Camps-Valls, Jos\'e Moreno
- Abstract要約: カーネルベース機械学習回帰アルゴリズム (MLRA) は, 生体物理変数検索方式において潜在的に強力な手法である。
彼らは大規模なトレーニングデータセットを扱うのに苦労している。
アクティブラーニング(AL)メソッドは、データセットで最も有益なサンプルを選択することができます。
このレターは、管理可能なトレーニングデータセットで最適化された生体物理変数推定を達成するための6つのal法を導入する。
- 参考スコア(独自算出の注目度): 6.093845877765489
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Kernel-based machine learning regression algorithms (MLRAs) are potentially
powerful methods for being implemented into operational biophysical variable
retrieval schemes. However, they face difficulties in coping with large
training datasets. With the increasing amount of optical remote sensing data
made available for analysis and the possibility of using a large amount of
simulated data from radiative transfer models (RTMs) to train kernel MLRAs,
efficient data reduction techniques will need to be implemented. Active
learning (AL) methods enable to select the most informative samples in a
dataset. This letter introduces six AL methods for achieving optimized
biophysical variable estimation with a manageable training dataset, and their
implementation into a Matlab-based MLRA toolbox for semi-automatic use. The AL
methods were analyzed on their efficiency of improving the estimation accuracy
of leaf area index and chlorophyll content based on PROSAIL simulations. Each
of the implemented methods outperformed random sampling, improving retrieval
accuracy with lower sampling rates. Practically, AL methods open opportunities
to feed advanced MLRAs with RTM-generated training data for development of
operational retrieval models.
- Abstract(参考訳): カーネルベースの機械学習回帰アルゴリズム(MLRA)は、生体物理変数検索方式に実装するための潜在的に強力な手法である。
しかし、大規模なトレーニングデータセットを扱うのに苦労している。
分析のために利用可能な光リモートセンシングデータの量の増加と、放射移動モデル(RTM)から大量のシミュレーションデータを用いてカーネルMLRAを訓練する可能性により、効率的なデータ削減技術が実装される必要がある。
アクティブラーニング(al)メソッドは、データセット内の最も有益なサンプルを選択することができる。
本稿では,管理可能なトレーニングデータセットを用いて生物物理学的変数推定を最適化するための6つのAL手法と,半自動使用のためのMatlabベースのMLRAツールボックスへの実装を紹介する。
AL法は, 葉面積指数とクロロフィル含量の推定精度を ProSAIL シミュレーションにより向上させる効果について分析した。
実装した各手法はランダムサンプリングを上回り,低サンプリング率で検索精度が向上した。
実際、AL手法は、高度なMLRAをRTM生成トレーニングデータで供給し、運用検索モデルを開発する機会を開放する。
関連論文リスト
- Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
脳波信号物理を利用した教師なし手法を提案する。
脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。
提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
論文 参考訳(メタデータ) (2024-03-07T16:17:33Z) - AI enhanced data assimilation and uncertainty quantification applied to
Geological Carbon Storage [0.0]
本稿では,Surrogate-based hybrid ESMDA (SH-ESMDA)を導入し,Surrogate-based hybrid ESMDA (SH-ESMDA)について述べる。
また,SurrogateをベースとしたHybrid RML(SH-RML)も導入する。
以上の結果より,SH-RMLは従来のESMDAと比較して不確実性が高いことが示唆された。
論文 参考訳(メタデータ) (2024-02-09T00:24:46Z) - Simulation-Enhanced Data Augmentation for Machine Learning Pathloss
Prediction [9.664420734674088]
本稿では,機械学習パスロス予測のための新しいシミュレーション強化データ拡張手法を提案する。
本手法は,細胞被覆シミュレータから生成した合成データと,独立して収集した実世界のデータセットを統合する。
合成データの統合は、異なる環境におけるモデルの一般化可能性を大幅に向上させる。
論文 参考訳(メタデータ) (2024-02-03T00:38:08Z) - Minimally Supervised Learning using Topological Projections in
Self-Organizing Maps [55.31182147885694]
自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。
提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。
提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
論文 参考訳(メタデータ) (2024-01-12T22:51:48Z) - Curated LLM: Synergy of LLMs and Data Curation for tabular augmentation in low-data regimes [57.62036621319563]
本稿では,Large Language Models (LLMs) の知識を低データ構造におけるデータ拡張に活用したCLLMを紹介する。
従来のジェネレータと比較して,低データ方式におけるCLLMの優れた性能を示す。
論文 参考訳(メタデータ) (2023-12-19T12:34:46Z) - Enhancing Multi-Objective Optimization through Machine Learning-Supported Multiphysics Simulation [1.6685829157403116]
本稿では,訓練,自己最適化,自己組織的代理モデルのための方法論的枠組みを提案する。
シュロゲートモデルを比較的少量のデータで訓練し、基礎となるシミュレーションを正確に近似できることを示す。
論文 参考訳(メタデータ) (2023-09-22T20:52:50Z) - Generalized Low-Rank Update: Model Parameter Bounds for Low-Rank
Training Data Modifications [16.822770693792823]
少数のインスタンスや機能が加えられたり削除されたりした場合に最適なモデルが得られるインクリメンタル機械学習(ML)手法を開発した。
この問題は、クロスバリデーション(CV)や特徴選択といったモデル選択において、実際に重要である。
本稿では,線形推定器の低ランク更新フレームワークを,正規化された経験的リスク最小化のクラスとして定式化したMLメソッドに拡張する一般低ランク更新(GLRU)手法を提案する。
論文 参考訳(メタデータ) (2023-06-22T05:00:11Z) - Decision Forest Based EMG Signal Classification with Low Volume Dataset
Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。
信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文 参考訳(メタデータ) (2022-06-29T23:22:18Z) - Active Learning-Based Optimization of Scientific Experimental Design [1.9705094859539976]
Active Learning(AL)は、ラベル付きトレーニングインスタンスを少なくすることで、より精度の高い機械学習アルゴリズムである。
本稿では,提案したALスキームを用いた薬物応答データセットの振り返り研究を行う。
これは、手動で設定するのではなく、科学的な実験設計がALによって最適化可能であることを示している。
論文 参考訳(メタデータ) (2021-12-29T20:02:35Z) - AutoSimulate: (Quickly) Learning Synthetic Data Generation [70.82315853981838]
目的の新たな微分可能近似に基づく最適な合成データ生成法を提案する。
提案手法は,学習データ生成の高速化(最大50Times$)と,実世界のテストデータセットの精度向上(+8.7%$)を実現している。
論文 参考訳(メタデータ) (2020-08-16T11:36:11Z) - Transfer Learning without Knowing: Reprogramming Black-box Machine
Learning Models with Scarce Data and Limited Resources [78.72922528736011]
そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。
ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。
BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
論文 参考訳(メタデータ) (2020-07-17T01:52:34Z)
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。