論文の概要: Symbolically Regressing Fish Biomass Spectral Data: A Linear Genetic Programming Method with Tunable Primitives
- arxiv url: http://arxiv.org/abs/2505.21901v1
- Date: Wed, 28 May 2025 02:27:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-29 17:35:50.373754
- Title: Symbolically Regressing Fish Biomass Spectral Data: A Linear Genetic Programming Method with Tunable Primitives
- Title（参考訳）: シンボリック回帰型魚類バイオマススペクトルデータ:可変プリミティブを用いた線形遺伝的計画法
- Authors: Zhixing Huang, Bing Xue, Mengjie Zhang, Jeremy S. Ronney, Keith C. Gordon, Daniel P. Killeen,
- Abstract要約: 本稿では, 魚のバイオマススペクトルデータをシンボル回帰問題としてモデル化し, 線形遺伝プログラミング法を用いてその問題を解く。
シンボリック回帰問題では、線形遺伝的プログラミングは与えられたプリミティブとトレーニングデータに基づいて回帰モデルを自動で合成する。
10種の魚のバイオマスを対象とする実験結果から,本手法は魚類のバイオマス組成予測の全体的な性能を向上させることが示唆された。
- 参考スコア（独自算出の注目度）: 5.163542749660303
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning techniques play an important role in analyzing spectral data. The spectral data of fish biomass is useful in fish production, as it carries many important chemistry properties of fish meat. However, it is challenging for existing machine learning techniques to comprehensively discover hidden patterns from fish biomass spectral data since the spectral data often have a lot of noises while the training data are quite limited. To better analyze fish biomass spectral data, this paper models it as a symbolic regression problem and solves it by a linear genetic programming method with newly proposed tunable primitives. In the symbolic regression problem, linear genetic programming automatically synthesizes regression models based on the given primitives and training data. The tunable primitives further improve the approximation ability of the regression models by tuning their inherent coefficients. Our empirical results over ten fish biomass targets show that the proposed method improves the overall performance of fish biomass composition prediction. The synthesized regression models are compact and have good interpretability, which allow us to highlight useful features over the spectrum. Our further investigation also verifies the good generality of the proposed method across various spectral data treatments and other symbolic regression problems.
- Abstract（参考訳）: 機械学習技術はスペクトルデータを解析する上で重要な役割を果たしている。
魚のバイオマスのスペクトルデータは、魚肉の重要な化学的性質を持つため、魚類の生産に有用である。
しかし、既存の機械学習技術では、魚のバイオマスのスペクトルデータから隠れたパターンを包括的に発見することは困難である。
魚のバイオマススペクトルデータをよりよく解析するために,本論文では, シンボリック回帰問題としてモデル化し, 新たに提案したチューナブルプリミティブを用いた線形遺伝的プログラミング法を用いて解決する。
シンボリック回帰問題では、線形遺伝的プログラミングは与えられたプリミティブとトレーニングデータに基づいて回帰モデルを自動で合成する。
調整可能なプリミティブは、それらの固有係数を調整することによって回帰モデルの近似能力をさらに向上する。
10種の魚のバイオマスを対象とする実験結果から,本手法は魚類のバイオマス組成予測の全体的な性能を向上させることが示唆された。
合成回帰モデルはコンパクトであり、高い解釈性を持ち、スペクトル上で有用な特徴を強調できる。
さらに,提案手法の様々なスペクトルデータ処理および他のシンボリック回帰問題に対する優れた一般化性を検証した。
関連論文リスト
- Machine Learning for Raman Spectroscopy-based Cyber-Marine Fish Biochemical Composition Analysis [7.075575292983362]
本稿では,水,タンパク質,脂質の収量を共同で予測する畳み込みニューラルネットワーク(CNN)の設計を提案する。
我々は、非常に小さなラマン分光データセットに基づいて魚類の生化学的組成を分析するために、CNNを用いた最初の研究を行った。
論文 参考訳（メタデータ） (2024-09-29T12:28:19Z) - Benchmarking Fish Dataset and Evaluation Metric in Keypoint Detection -- Towards Precise Fish Morphological Assessment in Aquaculture Breeding [6.332060647845203]
6種の魚種にまたがる高解像度画像23,331枚からなる包括的データセット「フィッシュフェノキー」を紹介した。
FishPhenoKeyには22の表現型指向アノテーションが含まれており、複雑な形態的表現型をキャプチャすることができる。
また,新しい評価指標として,測定値のパーセンテージ(percentage of Measured Phenotype)を提案する。
論文 参考訳（メタデータ） (2024-05-21T03:36:13Z) - Protein binding affinity prediction under multiple substitutions applying eGNNs on Residue and Atomic graphs combined with Language model information: eGRAL [1.840390797252648]
ディープラーニングは、シリコン内予測と生体内観測のギャップを埋めることのできる強力なツールとして、ますます認識されている。
タンパク質複合体中のアミノ酸置換物からの結合親和性変化を予測するための新しいグラフニューラルネットワークアーキテクチャであるeGRALを提案する。
eGralは、タンパク質の大規模言語モデルから抽出された特徴のおかげで、残基、原子スケール、進化スケールを利用する。
論文 参考訳（メタデータ） (2024-05-03T10:33:19Z) - WhaleNet: a Novel Deep Learning Architecture for Marine Mammals Vocalizations on Watkins Marine Mammal Sound Database [49.1574468325115]
textbfWhaleNet (Wavelet Highly Adaptive Learning Ensemble Network) は海洋哺乳動物の発声を分類するための高度な深層アンサンブルアーキテクチャである。
既存のアーキテクチャよりも8-10%の精度で分類精度を向上し、分類精度は9,7.61%である。
論文 参考訳（メタデータ） (2024-02-20T11:36:23Z) - Fast and Functional Structured Data Generators Rooted in Out-of-Equilibrium Physics [44.97217246897902]
エネルギーモデルを用いて、構造化データセットで高品質なラベル特化データを生成するという課題に対処する。
伝統的な訓練方法は、マルコフ連鎖モンテカルロ混合による困難に遭遇する。
非平衡効果を利用した新しいトレーニングアルゴリズムを用いる。
論文 参考訳（メタデータ） (2023-07-13T15:08:44Z) - Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。
本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-06T14:49:59Z) - Supervised Learning and Model Analysis with Compositional Data [4.082799056366927]
KernelBiomeはカーネルベースの非パラメトリック回帰分類フレームワークである。
我々は、最先端の機械学習手法と比較して、同等または改善された性能を示す。
論文 参考訳（メタデータ） (2022-05-15T12:33:43Z) - Analytical Modelling of Exoplanet Transit Specroscopy with Dimensional
Analysis and Symbolic Regression [68.8204255655161]
ディープラーニング革命は、そのような分析結果を直接、データに適合するコンピュータアルゴリズムで導き出すための扉を開いた。
我々は、一般的なホットジュピター系外惑星の遷移半径の合成データにおける記号回帰の利用をうまく実証した。
前処理のステップとして,変数の無次元な組み合わせを特定するために次元解析を用いる。
論文 参考訳（メタデータ） (2021-12-22T00:52:56Z) - Generalized Matrix Factorization: efficient algorithms for fitting
generalized linear latent variable models to large data arrays [62.997667081978825]
一般化線形潜在変数モデル(GLLVM)は、そのような因子モデルを非ガウス応答に一般化する。
GLLVMのモデルパラメータを推定する現在のアルゴリズムは、集約的な計算を必要とし、大規模なデータセットにスケールしない。
本稿では,GLLVMを高次元データセットに適用するための新しい手法を提案する。
論文 参考訳（メタデータ） (2020-10-06T04:28:19Z) - Two-step penalised logistic regression for multi-omic data with an
application to cardiometabolic syndrome [62.997667081978825]
我々は,各層で変数選択を行うマルチオミックロジスティック回帰に対する2段階のアプローチを実装した。
私たちのアプローチは、可能な限り多くの関連する予測子を選択することを目標とすべきです。
提案手法により,分子レベルでの心筋メタボリックシンドロームの特徴を同定することができる。
論文 参考訳（メタデータ） (2020-08-01T10:36:27Z) - Compact representation of temporal processes in echosounder time series
via matrix decomposition [0.7614628596146599]
本研究では,データに内在する特徴を用いて,時系列のコンパクトな表現を構築する手法を開発した。
この研究は、海洋における大規模で音響に基づく生物学的観測のための堅牢な時系列解析を構築する基盤となる。
論文 参考訳（メタデータ） (2020-07-06T17:33:42Z)
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。