論文の概要: Stochastic stem bucking using mixture density neural networks
- arxiv url: http://arxiv.org/abs/2407.00510v1
- Date: Sat, 29 Jun 2024 18:44:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-04 02:46:30.885330
- Title: Stochastic stem bucking using mixture density neural networks
- Title（参考訳）: 混合密度ニューラルネットワークを用いた確率的ステムバッキング
- Authors: Simon Schmiedel,
- Abstract要約: 森林伐採業者による粗末なバッキング決定は、ログから生成された製品に悪影響を及ぼす可能性がある。
我々は,幹の既知の部分のガウス分布のパラメータを予測できるLong Short-Term Memory (LSTM) ニューラルネットワークを開発した。
そして、バッキング決定は、ステムから生成されたすべてのステムプロファイルを使用する新しいバッキングアルゴリズムを使って最適化される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Poor bucking decisions made by forest harvesters can have a negative effect on the products that are generated from the logs. Making the right bucking decisions is not an easy task because harvesters must rely on predictions of the stem profile for the part of the stems that is not yet measured. The goal of this project is to improve the bucking decisions made by forest harvesters with a stochastic bucking method. We developed a Long Short-Term Memory (LSTM) neural network that predicted the parameters of a Gaussian distribution conditioned on the known part of the stem, enabling the creation of multiple samples of stem profile predictions for the unknown part of the stem. The bucking decisions could then be optimized using a novel stochastic bucking algorithm which used all the stem profiles generated to choose the logs to generate from the stem. The stochastic bucking algorithm was compared to two benchmark models: A polynomial model that could not condition its predictions on more than one diameter measurement, and a deterministic LSTM neural network. All models were evaluated on stem profiles of four coniferous species prevalent in eastern Canada. In general, the best bucking decisions were taken by the stochastic LSTM models, demonstrating the usefulness of the method. The second-best results were mostly obtained by the deterministic LSTM model and the worst results by the polynomial model, corroborating the usefulness of conditioning the stem curve predictions on multiple measurements.
- Abstract（参考訳）: 森林伐採業者による粗末なバッキング決定は、ログから生成された製品に悪影響を及ぼす可能性がある。
収穫者は、まだ測定されていない茎の一部の茎プロファイルの予測に頼らなければならないため、正しい座屈決定を下すことは簡単な作業ではない。
このプロジェクトの目標は、確率的なバッキング手法により、森林収穫者によるバッキング決定を改善することである。
茎の既知の部位に条件付きガウス分布のパラメータを予測できる長短短期記憶(LSTM)ニューラルネットワークを開発した。
すると、バッキング決定は、新しい確率的バッキングアルゴリズムを使って最適化され、ステムから生成するログを選択するために生成されたすべてのステムプロファイルが使用される。
確率的バッキングアルゴリズムは、2つのベンチマークモデルと比較された: 1つ以上の直径測定で予測を条件付けできない多項式モデルと、決定論的LSTMニューラルネットワーク。
いずれのモデルも,カナダ東部に広く分布する4種の針葉樹の茎の形状から評価した。
一般に、最高の座屈決定は確率的LSTMモデルによって行われ、この手法の有用性が示された。
2番目の結果は主に決定論的LSTMモデルと多項式モデルによる最悪の結果から得られ、複数の測定値にステム曲線予測を条件付けることの有用性を裏付けるものである。
関連論文リスト
- Computation-Aware Gaussian Processes: Model Selection And Linear-Time Inference [55.150117654242706]
我々は、1.8万のデータポイントでトレーニングされた計算対応GPのモデル選択が、1つのGPU上で数時間以内に可能であることを示す。
この研究の結果、ガウス過程は、不確実性を定量化する能力を著しく妥協することなく、大規模なデータセットで訓練することができる。
論文 参考訳（メタデータ） (2024-11-01T21:11:48Z) - Awareness of uncertainty in classification using a multivariate model and multi-views [1.3048920509133808]
提案モデルでは,不確かさ予測を正規化し,予測と不確かさ推定の両方を計算する訓練を行う。
複数ビュー予測と不確かさと信頼度を考慮し、最終的な予測を計算する方法をいくつか提案した。
提案手法はクリーンでノイズの多いラベル付きCIFAR-10データセットを用いて検証した。
論文 参考訳（メタデータ） (2024-04-16T06:40:51Z) - DF2: Distribution-Free Decision-Focused Learning [53.2476224456902]
決定中心学習(DFL)は近年,予測最適化問題に対する強力なアプローチとして出現している。
既存のエンドツーエンドDFL法は、モデル誤差、サンプル平均近似誤差、予測対象の分布に基づくパラメータ化の3つの重大なボトルネックによって妨げられている。
DF2は,これら3つのボトルネックに明示的に対処するために設計された,初となるテキストフリーな意思決定型学習手法である。
論文 参考訳（メタデータ） (2023-08-11T00:44:46Z) - Response Time Improves Choice Prediction and Function Estimation for
Gaussian Process Models of Perception and Preferences [4.6584146134061095]
選好学習と心理物理学における人間の選択予測のモデルは、しばしば二分反応データのみを考慮する。
本稿では拡散決定モデル(DDM)の新たな微分可能近似法を提案する。
次に、この新たな可能性を使って、二進選択のためにRTをGPモデルに組み込む。
論文 参考訳（メタデータ） (2023-06-09T23:22:49Z) - Efficient first-order predictor-corrector multiple objective
optimization for fair misinformation detection [5.139559672771439]
多重目的最適化(MOO)は、複数の競合する目的を同時に最適化することを目的としており、機械学習において重要な応用を見出した。
本稿では,線形にしかスケールしないガウスニュートン近似を提案し,イテレーション毎に一階内積しか必要としない。
このイノベーションは、大規模ネットワークで予測器のコレクタを可能にする。
論文 参考訳（メタデータ） (2022-09-15T12:32:15Z) - Correcting Model Bias with Sparse Implicit Processes [0.9187159782788579]
SIP(Sparse Implicit Processes)は,データ生成機構がモデルによって入力されるものと強く異なる場合,モデルバイアスを補正できることを示す。
合成データセットを用いて、SIPは、初期推定モデルの正確な予測よりもデータをよりよく反映する予測分布を提供することができることを示す。
論文 参考訳（メタデータ） (2022-07-21T18:00:01Z) - Scaling Structured Inference with Randomization [64.18063627155128]
本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。
我々の手法は古典的DPベースの推論に広く適用できる。
また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
論文 参考訳（メタデータ） (2021-12-07T11:26:41Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Uncertainty Inspired RGB-D Saliency Detection [70.50583438784571]
本稿では,データラベリングプロセスから学習することで,RGB-D値検出の不確実性を利用した最初のフレームワークを提案する。
そこで本研究では,確率的RGB-Dサリエンシ検出を実現するために,サリエンシデータラベリングプロセスにインスパイアされた生成アーキテクチャを提案する。
6つの挑戦的RGB-Dベンチマークデータセットの結果から,サリエンシマップの分布を学習する際のアプローチの優れた性能が示された。
論文 参考訳（メタデータ） (2020-09-07T13:01:45Z) - Model family selection for classification using Neural Decision Trees [4.286327408435937]
本稿では,タスクに必要な探索範囲を削減する手法を提案する。
その考え方は、厳格な決定境界を持つ特定のファミリー、参照モデル(RM)の訓練されたインスタンスから、どのくらいの費用を逸脱する必要があるかの定量化である。
論文 参考訳（メタデータ） (2020-06-20T01:27:01Z) - M2Net: Multi-modal Multi-channel Network for Overall Survival Time
Prediction of Brain Tumor Patients [151.4352001822956]
生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。
既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。
我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
論文 参考訳（メタデータ） (2020-06-01T05:21:37Z)
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。