Fugu-MT 論文翻訳(概要): Retrieval of Coloured Dissolved Organic Matter with Machine Learning Methods

論文の概要: Retrieval of Coloured Dissolved Organic Matter with Machine Learning Methods

arxiv url: http://arxiv.org/abs/2101.02505v1
Date: Thu, 7 Jan 2021 11:50:38 GMT
ステータス: 処理完了
システム内更新日: 2021-04-10 13:27:31.696796
Title: Retrieval of Coloured Dissolved Organic Matter with Machine Learning Methods
Title（参考訳）: 機械学習による着色溶存有機物の検索
Authors: Ana B. Ruescas, Martin Hieronymi, Sampsa Koponen, Kari Kallio and Gustau Camps-Valls
Abstract要約: 色付きの溶存有機物(CDOM)濃度は、天然水中の湿度物質の標準測定値です。本稿では,リモートセンシング信号からCDOMを抽出するための4つの機械学習手法の比較を行う。
参考スコア（独自算出の注目度）: 6.362764375279861
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: The coloured dissolved organic matter (CDOM) concentration is the standard measure of humic substance in natural waters. CDOM measurements by remote sensing is calculated using the absorption coefficient (a) at a certain wavelength (e.g. 440nm). This paper presents a comparison of four machine learning methods for the retrieval of CDOM from remote sensing signals: regularized linear regression (RLR), random forest (RF), kernel ridge regression (KRR) and Gaussian process regression (GPR). Results are compared with the established polynomial regression algorithms. RLR is revealed as the simplest and most efficient method, followed closely by its nonlinear counterpart KRR.
Abstract（参考訳）: 着色溶存有機物(cdom)濃度は、天然水中の湿潤物質の標準測定値である。特定の波長(例えば)における吸収係数(a)を用いて、リモートセンシングによるcdom測定を算出する。 440nm)。本稿では,リモートセンシング信号からCDOMを抽出するための機械学習手法として,正規化線形回帰(RLR),ランダムフォレスト(RF),カーネルリッジ回帰(KRR),ガウスプロセス回帰(GPR)の4つを比較した。結果は確立した多項式回帰アルゴリズムと比較される。 RLRは最も単純で効率的な方法として明らかにされ、続いて非線形のKRRが続く。

関連論文リスト

Unveiling the Cycloid Trajectory of EM Iterations in Mixed Linear Regression [5.883916678819683]
2成分混合線形回帰(2MLR)における反復の軌跡と期待最大化(EM)アルゴリズムの収束率について検討する。近年, ノイズレスおよび高SNR環境下での2MLRにおけるEMの超線形収束が確立されている。
論文参考訳（メタデータ） (2024-05-28T14:46:20Z)
Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
論文参考訳（メタデータ） (2024-05-23T13:22:17Z)
Quaternion recurrent neural network with real-time recurrent learning and maximum correntropy criterion [15.827518273858592]
我々は,3次元データと4次元データのリアルタイム処理のための,頑健な四元系リカレントニューラルネットワーク(QRNN)を開発した。
論文参考訳（メタデータ） (2024-02-22T02:17:50Z)
KF-PLS: Optimizing Kernel Partial Least-Squares (K-PLS) with Kernel Flows [0.0]
Kernel PLS (K-PLS) は非線形予測-応答関係をモデル化するために導入された。 K-PLSでは、入力データはカーネル関数を介して再生カーネルヒルベルト空間(RKH)にマッピングされる。ガウス過程回帰(GPR)のために開発されたカーネルフロー(KF)に基づくカーネル関数最適化手法を提案する。
論文参考訳（メタデータ） (2023-12-11T17:32:36Z)
Learning Radio Environments by Differentiable Ray Tracing [56.40113938833999]
本稿では, 材料特性, 散乱, アンテナパターンの微分パラメトリゼーションによって補う, 勾配式キャリブレーション法を提案する。提案手法は,MIMO(分散マルチインプットマルチインプット・マルチアウトプット・チャネル・サウンドア)を用いて,合成データと実世界の屋内チャネル計測の両方を用いて検証した。
論文参考訳（メタデータ） (2023-11-30T13:50:21Z)
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)
Overparameterized random feature regression with nearly orthogonal data [21.97381518762387]
本研究では,2層ニューラルネットワークによるランダム特徴リッジ回帰(RFRR)の非漸近挙動について検討した。我々の結果は、ほぼ決定論的性質を示す様々なアクティベーション関数と入力データセットに対して成り立っている。
論文参考訳（メタデータ） (2022-11-11T09:16:25Z)
Memory-Efficient Backpropagation through Large Linear Layers [107.20037639738433]
Transformersのような現代のニューラルネットワークでは、線形層は後方通過時にアクティベーションを保持するために大きなメモリを必要とする。本研究では,線形層によるバックプロパゲーションを実現するためのメモリ削減手法を提案する。
論文参考訳（メタデータ） (2022-01-31T13:02:41Z)
Maximum Moment Restriction for Instrumental Variable Regression [23.785259180682004]
カーネル化された条件モーメント制限(CMR)に基づく非線形インスツルメンタル変数(IV)回帰のための簡単なフレームワークを提案する。 MMRは、カーネル再生空間(RKHS)において、残留物と単位球に属する機器との相互作用を最大化することによって定式化される。我々は,合成データと実世界のデータの両方を用いた実験により,既存のフレームワークよりもフレームワークの利点を実証する。
論文参考訳（メタデータ） (2020-10-15T12:02:25Z)
Fast OSCAR and OWL Regression via Safe Screening Rules [97.28167655721766]
順序付き$L_1$ (OWL)正規化回帰は、高次元スパース学習のための新しい回帰分析である。近勾配法はOWL回帰を解くための標準手法として用いられる。未知の順序構造を持つ原始解の順序を探索することにより、OWL回帰の最初の安全なスクリーニングルールを提案する。
論文参考訳（メタデータ） (2020-06-29T23:35:53Z)
SLEIPNIR: Deterministic and Provably Accurate Feature Expansion for Gaussian Process Regression with Derivatives [86.01677297601624]
本稿では,2次フーリエ特徴に基づく導関数によるGP回帰のスケーリング手法を提案する。我々は、近似されたカーネルと近似された後部の両方に適用される決定論的、非漸近的、指数関数的に高速な崩壊誤差境界を証明した。
論文参考訳（メタデータ） (2020-03-05T14:33:20Z)

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。