論文の概要: Hybrid Machine Learning techniques in the management of harmful algal
blooms impact
- arxiv url: http://arxiv.org/abs/2402.09271v1
- Date: Wed, 14 Feb 2024 15:59:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-15 14:44:30.658060
- Title: Hybrid Machine Learning techniques in the management of harmful algal
blooms impact
- Title（参考訳）: 有害藻類への影響管理におけるハイブリッド機械学習技術
- Authors: Andres Molares-Ulloa, Daniel Rivero, Jesus Gil Ruiz, Enrique
Fernandez-Blanco and Luis de-la-Fuente-Valent\'in
- Abstract要約: 軟体動物栽培はハーモフル藻類(HAB)の影響を受けうる
HABは高濃度の藻のエピソードであり、人間の消費に有害である可能性がある。
人的消費のリスクを避けるため、毒性が検出されると収穫が禁止される。
- 参考スコア（独自算出の注目度）: 0.7864304771129751
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Harmful algal blooms (HABs) are episodes of high concentrations of algae that
are potentially toxic for human consumption. Mollusc farming can be affected by
HABs because, as filter feeders, they can accumulate high concentrations of
marine biotoxins in their tissues. To avoid the risk to human consumption,
harvesting is prohibited when toxicity is detected. At present, the closure of
production areas is based on expert knowledge and the existence of a predictive
model would help when conditions are complex and sampling is not possible.
Although the concentration of toxin in meat is the method most commonly used by
experts in the control of shellfish production areas, it is rarely used as a
target by automatic prediction models. This is largely due to the irregularity
of the data due to the established sampling programs. As an alternative, the
activity status of production areas has been proposed as a target variable
based on whether mollusc meat has a toxicity level below or above the legal
limit. This new option is the most similar to the actual functioning of the
control of shellfish production areas. For this purpose, we have made a
comparison between hybrid machine learning models like Neural-Network-Adding
Bootstrap (BAGNET) and Discriminative Nearest Neighbor Classification (SVM-KNN)
when estimating the state of production areas. The study has been carried out
in several estuaries with different levels of complexity in the episodes of
algal blooms to demonstrate the generalization capacity of the models in bloom
detection. As a result, we could observe that, with an average recall value of
93.41% and without dropping below 90% in any of the estuaries, BAGNET
outperforms the other models both in terms of results and robustness.
- Abstract（参考訳）: ハーモフル藻類(Harmful algal blooms、HABs)は、ヒトの摂取に有害な高濃度の藻類である。
軟体動物農業は、フィルターフィーダーとして、その組織に高濃度の海洋性バイオトキシンを蓄積できるため、HABの影響を受けうる。
人的消費のリスクを避けるため、毒性が検出されると収穫が禁止される。
現在、生産領域の閉鎖は専門家の知識に基づいており、予測モデルの存在は、条件が複雑でサンプリングが不可能な場合に有効である。
肉中の毒素の濃度は貝生産分野の専門家によって最もよく用いられる方法であるが、自動予測モデルによって標的として使用されることは稀である。
これは、確立されたサンプリングプログラムによるデータの不規則性が主な原因である。
代替として、軟体動物肉の毒性レベルが法定値以下のか否かに基づいて、生産領域の活性状態が目標変数として提案されている。
この新しいオプションは、シェルフィッシュの生産領域の制御の実際の機能と最もよく似ている。
そこで本研究では,ニューラルネットワーク付加ブートストラップ(bagnet)のようなハイブリッド機械学習モデルと,生産領域の状態推定における識別近辺分類(svm-knn)の比較を行った。
本研究は, 藻類開花のエピソードにおいて, 複雑さのレベルが異なる複数のエスタリーで実施され, 開花検出におけるモデルの一般化能力を実証している。
その結果、平均リコール値は93.41%であり、どの推定値でも90%以下に下げることなく、BAGNETは結果とロバスト性の両方で他のモデルよりも優れていることがわかった。
関連論文リスト
- Unlearnable Examples Detection via Iterative Filtering [84.59070204221366]
ディープニューラルネットワークは、データ中毒攻撃に弱いことが証明されている。
混合データセットから有毒なサンプルを検出することは極めて有益であり、困難である。
UE識別のための反復フィルタリング手法を提案する。
論文 参考訳（メタデータ） (2024-08-15T13:26:13Z) - Explainable machine learning for predicting shellfish toxicity in the Adriatic Sea using long-term monitoring data of HABs [0.0]
我々は,魚介類中毒を正確に予測するために,機械学習モデルを訓練し,評価する。
The random forest model provided the best prediction of positive toxicity results based on the F1 score。
主要な種(Dinophysis fortii, D. caudata)と環境要因(塩分濃度, 河川排出量, 降水量)はDSPの発生の予測因子として最適であった。
論文 参考訳（メタデータ） (2024-05-07T14:55:42Z) - Harmful algal bloom forecasting. A comparison between stream and batch
learning [0.7067443325368975]
有害なアルガルブルーム(HAB)は公衆衛生と貝類産業にリスクをもたらす。
本研究では,有毒なジノフラゲレートの細胞数を予測する機械学習ワークフローを開発した。
モデルDoMEは最も効果的で解釈可能な予測器として登場し、他のアルゴリズムよりも優れていた。
論文 参考訳（メタデータ） (2024-02-20T15:01:11Z) - Machine Learning in management of precautionary closures caused by
lipophilic biotoxins [43.51581973358462]
ムッセル農業は最も重要な水産産業の1つである。
ムッセル農業の主なリスクは有害な藻類開花(HABs)であり、人間の消費に危険をもたらす。
本研究は,予防的クロージャの適用を支援する予測モデルを提案する。
論文 参考訳（メタデータ） (2024-02-14T15:51:58Z) - Exploring Model Dynamics for Accumulative Poisoning Discovery [62.08553134316483]
そこで我々は,モデルレベルの情報を通して,防衛を探索するための新しい情報尺度,すなわち,記憶の離散性(Memorization Discrepancy)を提案する。
暗黙的にデータ操作の変更をモデル出力に転送することで、メモリ識別は許容できない毒のサンプルを発見することができる。
我々は、その性質を徹底的に探求し、累積中毒に対する防御のために、離散型サンプル補正(DSC)を提案する。
論文 参考訳（メタデータ） (2023-06-06T14:45:24Z) - Diffusion Theory as a Scalpel: Detecting and Purifying Poisonous
Dimensions in Pre-trained Language Models Caused by Backdoor or Bias [64.81358555107788]
事前訓練された言語モデル(PLM)は、微調整プロセス中に疑わしい攻撃者が注入したバックドアやバイアスによって有毒である可能性がある。
本研究では, 拡散理論を応用し, 微調整の動的過程を解明し, 潜在的有毒な次元を見つけるための微細浄化法を提案する。
我々の知識を最大限に活用するために、我々は安全・防衛目的の拡散理論によって導かれる力学を初めて研究する。
論文 参考訳（メタデータ） (2023-05-08T08:40:30Z) - Multi-Target Tobit Models for Completing Water Quality Data [0.0]
トビットモデルは、検閲されたデータを解析するためのよく知られた線形回帰モデルである。
本研究では、複数の検閲された変数を同時に扱うために、Emphmulti-target Tobit modelと呼ばれる古典的Tobitモデルの新たな拡張を考案した。
複数の実世界の水質データセットを用いて行われた実験は、複数の列を同時に推定することで、個別に推定するよりも大きな優位性が得られるという証拠となった。
論文 参考訳（メタデータ） (2023-02-21T13:06:19Z) - Predicting Chemical Hazard across Taxa through Machine Learning [0.3262230127283452]
分類学と実験装置の関連性を分析し,それらを考慮に入れれば,分類性能の大幅な向上が期待できることを示す。
我々は、一般的な機械学習モデル(K-nearest neighbors、ランダムフォレスト、ディープニューラルネットワーク)と、最近提案されたリード・アクロス構造活動関係(RASAR)モデルを用いています。
論文 参考訳（メタデータ） (2021-10-07T15:33:58Z) - Tracking disease outbreaks from sparse data with Bayesian inference [55.82986443159948]
新型コロナウイルス(COVID-19)のパンデミックは、感染発生時の感染率を推定する新たな動機を与える。
標準的な手法は、より細かいスケールで共通する部分的な観測可能性とスパースなデータに対応するのに苦労する。
原理的に部分観測可能なベイズ的枠組みを提案する。
論文 参考訳（メタデータ） (2020-09-12T20:37:33Z) - Improving Maximum Likelihood Training for Text Generation with Density
Ratio Estimation [51.091890311312085]
本稿では,テキスト生成で遭遇する大規模なサンプル空間において,効率よく安定な自動回帰シーケンス生成モデルのトレーニング手法を提案する。
本手法は,品質と多様性の両面で,最大類似度推定や他の最先端シーケンス生成モデルよりも安定に優れている。
論文 参考訳（メタデータ） (2020-07-12T15:31:24Z) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳（メタデータ） (2020-06-08T19:24:54Z)
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。