論文の概要: Towards Machine Learning-based Fish Stock Assessment

• arxiv url: http://arxiv.org/abs/2308.03403v1
• Date: Mon, 7 Aug 2023 08:44:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-08 14:33:42.978771
• Title: Towards Machine Learning-based Fish Stock Assessment
• Title（参考訳）: 機械学習による魚株評価に向けて
• Authors: Stefan L\"udtke and Maria E. Pierce
• Abstract要約: 本稿では,機械学習モデルを用いたストックパラメータの推定と予測の改善について検討する。 本稿では,古典統計ストックアセスメントモデルと教師付きMLを組み合わせたハイブリッドモデルを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The accurate assessment of fish stocks is crucial for sustainable fisheries management. However, existing statistical stock assessment models can have low forecast performance of relevant stock parameters like recruitment or spawning stock biomass, especially in ecosystems that are changing due to global warming and other anthropogenic stressors. In this paper, we investigate the use of machine learning models to improve the estimation and forecast of such stock parameters. We propose a hybrid model that combines classical statistical stock assessment models with supervised ML, specifically gradient boosted trees. Our hybrid model leverages the initial estimate provided by the classical model and uses the ML model to make a post-hoc correction to improve accuracy. We experiment with five different stocks and find that the forecast accuracy of recruitment and spawning stock biomass improves considerably in most cases.
• Abstract（参考訳）: 魚株の正確な評価は持続的漁業管理に不可欠である。 しかし、既存の統計ストックアセスメントモデルは、特に地球温暖化やその他の人為的ストレスによって変化する生態系において、採用やストックバイオマスの産出といった関連するストックパラメータの予測性能が低い可能性がある。 本稿では,これらのストックパラメータの推定と予測を改善するために,機械学習モデルの利用について検討する。 本稿では,従来の統計ストックアセスメントモデルと教師付きml,特に勾配強化木を組み合わせたハイブリッドモデルを提案する。 ハイブリッドモデルは,古典モデルによる初期推定を活用し,機械学習モデルを用いてポストホック補正を行い,精度を向上させる。 5つの異なる株について実験を行い, 多くの場合, 雇用・産出の予測精度が大幅に向上することを確認した。

関連論文リスト

• Evaluating Deep Learning Approaches for Predictions in Unmonitored Basins with Continental-scale Stream Temperature Models [1.8067095934521364]
  最近の機械学習(ML)モデルは、大規模な空間スケールでの正確な予測に膨大なデータセットを利用することができる。 本研究では,モデル設計とインプットに必要なデータ,および性能向上のためのトレーニングについて考察する。
  論文  参考訳（メタデータ） (2024-10-23T15:36:59Z)
• Learning Augmentation Policies from A Model Zoo for Time Series Forecasting [58.66211334969299]
  本稿では,強化学習に基づく学習可能なデータ拡張手法であるAutoTSAugを紹介する。 限界サンプルを学習可能なポリシーで強化することにより、AutoTSAugは予測性能を大幅に改善する。
  論文  参考訳（メタデータ） (2024-09-10T07:34:19Z)
• Predictive Churn with the Set of Good Models [64.05949860750235]
  近似機械学習モデルの集合に対する競合予測の効果について検討する。 ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。 当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• Nowcasting Madagascar's real GDP using machine learning algorithms [0.0]
  マダガスカルにおける国内総生産(GDP)の予測能力について検討する。 線形正則回帰(Ridge,Lasso,Elastic-net)、次元減少モデル(主成分回帰)、k-nearest neighborsアルゴリズム(k-NN回帰)を含む一般的な回帰モデルを訓練した。 我々は,根平均二乗誤差(RMSE),平均絶対誤差(MAE),平均絶対パーセンテージ誤差(MAPE)を算出し,各モデルの流速精度を測定した。
  論文  参考訳（メタデータ） (2023-12-24T20:40:54Z)
• QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
  モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。 QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。 例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
  論文  参考訳（メタデータ） (2023-11-06T00:21:44Z)
• Forest Parameter Prediction by Multiobjective Deep Learning of Regression Models Trained with Pseudo-Target Imputation [6.853936752111048]
  リモートセンシングデータを用いた森林パラメータの予測において、回帰モデルは、伝統的に地上基準データの小さなサンプルに基づいて訓練されてきた。 本稿では, 擬似ターゲットとみなす既存の RS ベースの予測マップからのデータを用いて, この真の予測対象のサンプルをインプットする。 我々は、空中レーザー走査(ALS)データから構築された予測マップを用いて、正確な擬似ターゲットと、Sentinel-1のCバンド合成開口レーダ(SAR)のデータを回帰器として提供する。
  論文  参考訳（メタデータ） (2023-06-19T18:10:47Z)
• Prediction-Oriented Bayesian Active Learning [51.426960808684655]
  予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。 EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-04-17T10:59:57Z)
• Forecast Evaluation in Large Cross-Sections of Realized Volatility [0.0]
  我々は,実効ボラティリティの予測において,拡張断面に基づくモデルの予測精度を評価する。 測定誤差補正と断面ジャンプ成分測定を組み込んだモデル仕様に対する予測の感度について検討した。
  論文  参考訳（メタデータ） (2021-12-09T13:19:09Z)
• Sparse MoEs meet Efficient Ensembles [49.313497379189315]
  このようなモデルの2つの一般的なクラス、すなわちニューラルネットワークのアンサンブルと専門家のスパースミックス(スパースMoE)の相互作用について研究する。 Efficient Ensemble of Experts (E$3$)は、両モデルのクラスを最大限に活用するスケーラブルでシンプルなMoEのアンサンブルであり、深いアンサンブルよりも最大45%少ないFLOPを使用する。
  論文  参考訳（メタデータ） (2021-10-07T11:58:35Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• Coupling Machine Learning and Crop Modeling Improves Crop Yield Prediction in the US Corn Belt [2.580765958706854]
  本研究では,米コーンベルトにおける作物モデルと機械学習(ML)の結合によるトウモロコシ収量予測の改善について検討した。 主な目的は、ハイブリッドアプローチ(クロップモデリング+ML)がより良い予測をもたらすかどうかを探求し、トウモロコシ収量予測のためにMLと最も効果的に統合できる作物モデルから特徴を決定することである。
  論文  参考訳（メタデータ） (2020-07-28T16:22:44Z)

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。