論文の概要: Product Quantization for Surface Soil Similarity

• arxiv url: http://arxiv.org/abs/2506.03374v1
• Date: Tue, 03 Jun 2025 20:31:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:14.046095
• Title: Product Quantization for Surface Soil Similarity
• Title（参考訳）: 表層土壌の類似性に関する製品量子化
• Authors: Haley Dozier, Althea Henslee, Ashley Abraham, Andrew Strelzoff, Mark Chappell,
• Abstract要約: 土壌研究者は人間の可視化の限界を超えて、高次元データセットの分類を作成します。 このパイプラインは、特定のアプリケーションに適合するように構築されたクラスで、高度に正確で柔軟な土を生産できる。 この作業で概説された機械学習パイプラインは、製品量子化とパラメータと出力の体系的な評価を組み合わせて、最高の結果を得る。
• 参考スコア（独自算出の注目度）: 0.44938884406455726
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The use of machine learning (ML) techniques has allowed rapid advancements in many scientific and engineering fields. One of these problems is that of surface soil taxonomy, a research area previously hindered by the reliance on human-derived classifications, which are mostly dependent on dividing a dataset based on historical understandings of that data rather than data-driven, statistically observable similarities. Using a ML-based taxonomy allows soil researchers to move beyond the limitations of human visualization and create classifications of high-dimension datasets with a much higher level of specificity than possible with hand-drawn taxonomies. Furthermore, this pipeline allows for the possibility of producing both highly accurate and flexible soil taxonomies with classes built to fit a specific application. The machine learning pipeline outlined in this work combines product quantization with the systematic evaluation of parameters and output to get the best available results, rather than accepting sub-optimal results by using either default settings or best guess settings.
• Abstract（参考訳）: 機械学習(ML)技術は、多くの科学・工学分野において急速に進歩している。 これらの問題の1つは表面土壌分類学であり、以前は人間由来の分類に依存していた研究領域であり、データ駆動で統計的に観測可能な類似性ではなく、そのデータの歴史的理解に基づいてデータセットを分割することに大きく依存していた。 MLベースの分類法を使用することで、土壌研究者は人間の視覚化の限界を超えて、手書きの分類学よりもはるかに高いレベルの特異性を持つ高次元データセットの分類を作成することができる。 さらに、このパイプラインは、特定のアプリケーションに適合するように構築されたクラスで、高度に正確で柔軟な土壌分類学の両方を生成できる。 この作業で概説された機械学習パイプラインは、デフォルト設定またはベストセッティング設定を使用することで、最適でない結果を受け入れるのではなく、製品量子化とパラメータとアウトプットの体系的な評価を組み合わせて、最適な結果を得る。

関連論文リスト

• LimeSoDa: A Dataset Collection for Benchmarking of Machine Learning Regressors in Digital Soil Mapping [0.0]
  複数のデータセットに関するベンチマーク研究は、一般的に使われている手法の長所と短所を明らかにするために必要である。 LimeSoDaは、さまざまな国の31のフィールドとファームスケールのデータセットで構成されている。 我々は、すべてのデータセットで4つの学習アルゴリズムの予測性能を比較することで、ベンチマークにLimeSoDaを使うことを実証した。
  論文  参考訳（メタデータ） (2025-02-27T14:31:36Z)
• LLM-Select: Feature Selection with Large Language Models [64.5099482021597]
  大規模言語モデル(LLM)は、データサイエンスの標準ツールに匹敵するパフォーマンスで、最も予測可能な機能を選択することができる。 以上の結果から,LSMはトレーニングに最適な機能を選択するだけでなく,そもそもどの機能を収集すべきかを判断する上でも有用である可能性が示唆された。
  論文  参考訳（メタデータ） (2024-07-02T22:23:40Z)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• Notes on Applicability of Explainable AI Methods to Machine Learning Models Using Features Extracted by Persistent Homology [0.0]
  永続ホモロジー(PH)は機械学習に広く応用されている。 比較的単純なダウンストリーム機械学習モデルで十分なレベルの精度を達成する能力は、これらの抽出された特徴を処理する際に、パイプラインの優れた解釈可能性の基盤となる。 本稿では,このPH-MLパイプラインへの説明可能なAI手法の適用の可能性について検討する。
  論文  参考訳（メタデータ） (2023-10-15T08:56:15Z)
• SSL-SoilNet: A Hybrid Transformer-based Framework with Self-Supervised Learning for Large-scale Soil Organic Carbon Prediction [2.554658234030785]
  本研究は,自己指導型コントラスト学習を通じて,マルチモーダル特徴間の地理的関連を学習することを目的とした,新しいアプローチを提案する。 提案手法は、2つの異なる大規模データセットに対して厳密なテストを行っている。
  論文  参考訳（メタデータ） (2023-08-07T13:44:44Z)
• Surface Warping Incorporating Machine Learning Assisted Domain Likelihood Estimation: A New Paradigm in Mine Geology Modelling and Automation [68.8204255655161]
  新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。 本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。 その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
  論文  参考訳（メタデータ） (2021-02-15T10:37:52Z)
• Using vis-NIRS and Machine Learning methods to diagnose sugarcane soil chemical properties [0.0]
  化学土壌の特性を知ることは、作物管理と総収量生産において決定的である。 従来の資産推定手法は時間がかかり、複雑な実験室のセットアップを必要とする。 スペクトル信号(vis-NIRS)からの物性推定は、低コストで非侵襲的で非破壊的な代替手段として現れた。
  論文  参考訳（メタデータ） (2020-12-23T21:46:41Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)

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。