論文の概要: Kriging and Gaussian Process Interpolation for Georeferenced Data Augmentation

• arxiv url: http://arxiv.org/abs/2501.07183v1
• Date: Mon, 13 Jan 2025 10:29:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:25:26.006131
• Title: Kriging and Gaussian Process Interpolation for Georeferenced Data Augmentation
• Title（参考訳）: ジオレファレンスデータ増大のためのクリギングとガウス過程補間
• Authors: Frédérick Fabre Ferber, Dominique Gay, Jean-Christophe Soulié, Jean Diatta, Odalric-Ambrym Maillard,
• Abstract要約: 本研究は,ラ・ルエニオンのサトウキビ群集におけるコメルナ・ベンガルシス L. の存在を予測することを目的として,ジオレファレンスデータの拡張手法について検討した。 収集データの空間特性と高コスト化を考慮し,異なるカーネルを持つガウス過程 (GP) と,様々なヴァリグラムを持つクリッピングの2つのアプローチを評価した。 その結果,GPベースの手法,特にGP-COMBを用いた場合,付加的なデータを必要とすることなく回帰アルゴリズムの性能を著しく向上することがわかった。
• 参考スコア（独自算出の注目度）: 10.945947159224302
• License:
• Abstract: Data augmentation is a crucial step in the development of robust supervised learning models, especially when dealing with limited datasets. This study explores interpolation techniques for the augmentation of geo-referenced data, with the aim of predicting the presence of Commelina benghalensis L. in sugarcane plots in La R{\'e}union. Given the spatial nature of the data and the high cost of data collection, we evaluated two interpolation approaches: Gaussian processes (GPs) with different kernels and kriging with various variograms. The objectives of this work are threefold: (i) to identify which interpolation methods offer the best predictive performance for various regression algorithms, (ii) to analyze the evolution of performance as a function of the number of observations added, and (iii) to assess the spatial consistency of augmented datasets. The results show that GP-based methods, in particular with combined kernels (GP-COMB), significantly improve the performance of regression algorithms while requiring less additional data. Although kriging shows slightly lower performance, it is distinguished by a more homogeneous spatial coverage, a potential advantage in certain contexts.
• Abstract（参考訳）: データ拡張は、特に限られたデータセットを扱う場合、堅牢な教師付き学習モデルの開発において重要なステップである。 本研究では,サトウキビ(La R{\'e}union)のサトウキビ群集におけるコメルナ・ベンガレンシス(Commerina benghalensis L.)の存在を予測することを目的として,ジオレファレンスデータの拡張のための補間手法について検討した。 データの空間的性質とデータ収集コストを考慮し,異なるカーネルを持つガウス過程 (GP) と様々なバリグラムを持つクリグという2つの補間手法を評価した。 この作品の目的は3つある。 i) 様々な回帰アルゴリズムにおいて、どの補間法が最高の予測性能を提供するかを特定すること。 二 加えた観測数の関数として性能の進化を分析すること、及び 三 拡張データセットの空間的整合性を評価すること。 その結果,GPベースの手法,特にGP-COMBを用いた場合,付加的なデータを必要とすることなく,回帰アルゴリズムの性能を著しく向上することがわかった。 クリギングは若干低い性能を示すが、より均質な空間被覆によって区別され、特定の文脈において潜在的に有利である。

関連論文リスト

• Graph Neural Network-Driven Hierarchical Mining for Complex Imbalanced Data [0.8246494848934447]
  本研究では,高次元不均衡データの階層的マイニングフレームワークを提案する。 データセットの構造化グラフ表現を構築し、グラフニューラルネットワークの埋め込みを統合することにより、提案手法は、サンプル間のグローバルな相互依存性を効果的にキャプチャする。 複数の実験シナリオにまたがる実証実験により,提案手法の有効性が検証された。
  論文  参考訳（メタデータ） (2025-02-06T06:26:41Z)
• Interpolation pour l'augmentation de donnees : Application à la gestion des adventices de la canne a sucre a la Reunion [10.945947159224302]
  本研究では,ジオレファレンスデータの拡張手法について検討する。 ラ・ルエニオンにおけるサトウキビのプロットにおけるコメリナ・ベンガルシス L. の存在を予測することを目的としている。
  論文  参考訳（メタデータ） (2025-01-10T11:02:13Z)
• Interpetable Target-Feature Aggregation for Multi-Task Learning based on Bias-Variance Analysis [53.38518232934096]
  マルチタスク学習(MTL)は、タスク間の共有知識を活用し、一般化とパフォーマンスを改善するために設計された強力な機械学習パラダイムである。 本稿では,タスククラスタリングと特徴変換の交点におけるMTL手法を提案する。 両段階において、鍵となる側面は減った目標と特徴の解釈可能性を維持することである。
  論文  参考訳（メタデータ） (2024-06-12T08:30:16Z)
• Fractal interpolation in the context of prediction accuracy optimization [44.99833362998488]
  本稿ではフラクタル手法を用いて時系列予測を最適化する仮説に焦点をあてる。 LSTMモデルにより得られた予測結果は,生のデータセットと比較して有意に精度が向上した。
  論文  参考訳（メタデータ） (2024-03-01T09:49:53Z)
• Interpolation-based Correlation Reduction Network for Semi-Supervised Graph Learning [49.94816548023729]
  補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。 この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Scalable Regularised Joint Mixture Models [2.0686407686198263]
  多くの応用において、データは異なる基底分布を持つ潜在群にまたがるという意味で不均一である。 我々は,(i)明示的多変量特徴分布,(ii)高次元回帰モデル,(iii)潜在群ラベルの連成学習を可能にする異種データに対するアプローチを提案する。 このアプローチは明らかに高次元において有効であり、計算効率のためのデータ削減と、特徴数が大きければ鍵信号を保持する再重み付けスキームを組み合わせる。
  論文  参考訳（メタデータ） (2022-05-03T13:38:58Z)
• Invariance Learning in Deep Neural Networks with Differentiable Laplace Approximations [76.82124752950148]
  我々はデータ拡張を選択するための便利な勾配法を開発した。 我々はKronecker-factored Laplace近似を我々の目的とする限界確率に近似する。
  論文  参考訳（メタデータ） (2022-02-22T02:51:11Z)
• Riemannian classification of EEG signals with missing values [67.90148548467762]
  本稿では脳波の分類に欠落したデータを扱うための2つの方法を提案する。 第1のアプローチでは、インプットされたデータと$k$-nearestの隣人アルゴリズムとの共分散を推定し、第2のアプローチでは、期待最大化アルゴリズム内で観測データの可能性を活用することにより、観測データに依存する。 その結果, 提案手法は観測データに基づく分類よりも優れており, 欠落したデータ比が増大しても高い精度を維持することができることがわかった。
  論文  参考訳（メタデータ） (2021-10-19T14:24:50Z)
• DoGR: Disaggregated Gaussian Regression for Reproducible Analysis of Heterogeneous Data [4.720638420461489]
  データを重なり合うクラスタ(分散)に分割し,その内の動作をモデル化することで,潜在的共同設立者を検出するDoGRを導入する(回帰)。 実世界のデータに適用すると,本手法は有意義なクラスタとその特徴的行動を発見し,グループ差と関心の帰結に対する影響について考察する。 我々のフレームワークは、潜伏した共同創設者を考慮し、ノイズの多い異種データの探索分析を促進し、新しいデータにもっと一般化した予測モデルを学ぶのに利用できる。
  論文  参考訳（メタデータ） (2021-08-31T01:58:23Z)
• Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
  本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。 提案されたSSCAGは最先端のアプローチと競合する。
  論文  参考訳（メタデータ） (2021-04-24T08:09:27Z)
• DecAug: Augmenting HOI Detection via Decomposition [54.65572599920679]
  現在のアルゴリズムでは、データセット内のトレーニングサンプルやカテゴリの不均衡が不足している。 本稿では,HOI検出のためのDECAugと呼ばれる効率的かつ効率的なデータ拡張手法を提案する。 実験の結果,V-COCOおよびHICODETデータセットの3.3mAPと1.6mAPの改善が得られた。
  論文  参考訳（メタデータ） (2020-10-02T13:59:05Z)

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。