論文の概要: Explainable machine learning for predicting shellfish toxicity in the Adriatic Sea using long-term monitoring data of HABs

• arxiv url: http://arxiv.org/abs/2405.04372v1
• Date: Tue, 7 May 2024 14:55:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-08 13:41:05.429615
• Title: Explainable machine learning for predicting shellfish toxicity in the Adriatic Sea using long-term monitoring data of HABs
• Title（参考訳）: HABの長期モニタリングデータを用いたアドリア海における貝害予測のための説明可能な機械学習
• Authors: Martin Marzidovšek, Janja Francé, Vid Podpečan, Stanka Vadnjal, Jožica Dolenc, Patricija Mozetič,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this study, explainable machine learning techniques are applied to predict the toxicity of mussels in the Gulf of Trieste (Adriatic Sea) caused by harmful algal blooms. By analysing a newly created 28-year dataset containing records of toxic phytoplankton in mussel farming areas and toxin concentrations in mussels (Mytilus galloprovincialis), we train and evaluate the performance of ML models to accurately predict diarrhetic shellfish poisoning (DSP) events. The random forest model provided the best prediction of positive toxicity results based on the F1 score. Explainability methods such as permutation importance and SHAP identified key species (Dinophysis fortii and D. caudata) and environmental factors (salinity, river discharge and precipitation) as the best predictors of DSP outbreaks. These findings are important for improving early warning systems and supporting sustainable aquaculture practices.
• Abstract（参考訳）: 本研究では, 有害藻類によるトリエステ湾(アドリア海)の貝類の毒性を予測するために, 説明可能な機械学習技術を適用した。 貝類養殖地における有毒植物プランクトンの記録と貝類(Mytilus gallophylis)の毒素濃度を含む28年間のデータセットを新たに作成することにより,MLモデルの性能を訓練・評価し,ダイアロティック貝類中毒(DSP)の発生を正確に予測する。 The random forest model provided the best prediction of positive toxicity results based on the F1 score。 変異の重要性やSHAPなどの説明可能性の手法により,DSPの発生の予測因子として重要な種(Dinophysis fortii, D. caudata)と環境要因(塩分, 流出, 降水)が同定された。 これらの知見は早期警戒システムの改善と持続可能な養殖の実践を支援するために重要である。

関連論文リスト

• Smoke and Mirrors in Causal Downstream Tasks [59.90654397037007]
  本稿では, 治療効果推定の因果推論タスクについて検討し, 高次元観察において利害関係が記録されている。 最先端の視覚バックボーンから微調整した6つの480モデルを比較し、サンプリングとモデリングの選択が因果推定の精度に大きく影響することを発見した。 以上の結果から,今後のベンチマークでは,下流の科学的問題,特に因果的な問題について慎重に検討すべきであることが示唆された。
  論文  参考訳（メタデータ） (2024-05-27T13:26:34Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• 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)
• Hybrid Machine Learning techniques in the management of harmful algal blooms impact [0.7864304771129751]
  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。
  論文  参考訳（メタデータ） (2024-02-14T15:59:22Z)
• 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)
• Understanding Adverse Biological Effect Predictions Using Knowledge Graphs [11.607236829607135]
  我々は、最も関連性の高い効果データからなる知識グラフ(KG)に基づく効果を、ドメイン固有の背景知識として外挿する。 背景知識がモデル予測性能を最大40%向上させる:$R2$(決定係数)
  論文  参考訳（メタデータ） (2022-10-28T08:32:11Z)
• 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)
• Early Detection of Fish Diseases by Analyzing Water Quality Using Machine Learning Algorithm [0.0]
  本稿では,最先端の機械学習アルゴリズムを適用し,水質劣化を時間的かつ正確に検出・予測する。 実験の結果, 実際のデータセットを用いたアルゴリズムにより, 特定の水質に特有な魚病の検出精度が向上した。
  論文  参考訳（メタデータ） (2021-02-15T18:52:58Z)
• STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
  我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。 我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
  論文  参考訳（メタデータ） (2020-12-08T21:21:47Z)
• Movement Tracks for the Automatic Detection of Fish Behavior in Videos [63.85815474157357]
  水中ビデオでサブルフィッシュ(Anoplopoma fimbria)の発芽行動のデータセットを提供し,その上での深層学習(DL)法による行動検出について検討した。 提案する検出システムは,Long Short-Term Memory(LSTM)ネットワークを用いて,サブルフィッシュの起動動作を識別する。
  論文  参考訳（メタデータ） (2020-11-28T05:51:19Z)
• Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
  生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。 本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-06-14T01:15:00Z)

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。