論文の概要: Self-supervised and Multi-fidelity Learning for Extended Predictive Soil Spectroscopy

• arxiv url: http://arxiv.org/abs/2511.15965v1
• Date: Thu, 20 Nov 2025 01:36:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-21 17:08:52.41619
• Title: Self-supervised and Multi-fidelity Learning for Extended Predictive Soil Spectroscopy
• Title（参考訳）: 拡張予測土壌分光法のための自己監督・多要素学習
• Authors: Luning Sun, José L. Safanelli, Jonathan Sanderman, Katerina Georgiou, Colby Brungard, Kanchan Grover, Bryan G. Hopkins, Shusen Liu, Timo Bremer,
• Abstract要約: 本稿では,潜在空間埋め込みに基づく多要素学習と拡張予測土壌分光のためのフレームワークを提案する。 自己教師付き表現は、大規模なMIRスペクトルライブラリとVari Autoencoderアルゴリズムで事前訓練された。 スペクトル変換(NIR から MIR への変換)タスクからの予測は、元の MIR スペクトルの性能と一致しなかったが、NIR のみのモデルの予測性能と似ているか、優れている。
• 参考スコア（独自算出の注目度）: 2.8830677829565894
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a self-supervised machine learning (SSML) framework for multi-fidelity learning and extended predictive soil spectroscopy based on latent space embeddings. A self-supervised representation was pretrained with the large MIR spectral library and the Variational Autoencoder algorithm to obtain a compressed latent space for generating spectral embeddings. At this stage, only unlabeled spectral data were used, allowing us to leverage the full spectral database and the availability of scan repeats for augmented training. We also leveraged and froze the trained MIR decoder for a spectrum conversion task by plugging it into a NIR encoder to learn the mapping between NIR and MIR spectra in an attempt to leverage the predictive capabilities contained in the large MIR library with a low cost portable NIR scanner. This was achieved by using a smaller subset of the KSSL library with paired NIR and MIR spectra. Downstream machine learning models were then trained to map between original spectra, predicted spectra, and latent space embeddings for nine soil properties. The performance of was evaluated independently of the KSSL training data using a gold-standard test set, along with regression goodness-of-fit metrics. Compared to baseline models, the proposed SSML and its embeddings yielded similar or better accuracy in all soil properties prediction tasks. Predictions derived from the spectrum conversion (NIR to MIR) task did not match the performance of the original MIR spectra but were similar or superior to predictive performance of NIR-only models, suggesting the unified spectral latent space can effectively leverage the larger and more diverse MIR dataset for prediction of soil properties not well represented in current NIR libraries.
• Abstract（参考訳）: 本稿では,マルチ忠実度学習のための自己教師付き機械学習(SSML)フレームワークと,潜在空間埋め込みに基づく拡張予測土壌分光法を提案する。 スペクトル埋め込みを生成するための圧縮潜在空間を得るために,大規模なMIRスペクトルライブラリと変分オートエンコーダアルゴリズムを用いて自己教師付き表現を事前訓練した。 この段階では、ラベルのないスペクトルデータのみを使用し、全スペクトルデータベースとスキャンリピートを併用して強化訓練を行った。 また,NIRデコーダをNIRエンコーダに差し込み,NIRとMIRスペクトルのマッピングを学習することにより,トレーニング済みのMIRデコーダを周波数変換タスクに利用し,凍結させた。 これは、KSSLライブラリの小さなサブセットと、NIRとMIRの2つのスペクトルを使用することで実現された。 下流の機械学習モデルは、元のスペクトル、予測スペクトル、9つの土壌特性のための潜在空間埋め込みの間のマッピングのために訓練された。 金標準テストセットを用いてKSSLトレーニングデータとは独立に評価し、回帰良否測定値を用いて評価した。 ベースラインモデルと比較して,提案したSSMLとその埋め込みは,すべての土壌特性予測タスクにおいて類似あるいは良好な精度を示した。 スペクトル変換(NIR から MIR への変換)タスクから導かれる予測は、元の MIR スペクトルの性能と一致しなかったが、NIR のみのモデルの予測性能に類似しているか、あるいは優れていたため、統一されたスペクトル潜在空間は、現在の NIR ライブラリではよく表現されていない土壌特性の予測に、より大きく、より多様な MIR データセットを効果的に活用できることが示唆された。

関連論文リスト

• A simulation-based training framework for machine-learning applications in ARPES [0.0]
  我々は、機械学習モデルのトレーニングに必要な大規模なデータセットを生成するために、オープンソースの合成ARPESスペクトルシミュレーター、aureliaを導入する。 シミュレーション訓練したモデルと実際の実験データとをベンチマークし、人間の分析よりも正確なスペクトル品質を評価できることを示した。
  論文  参考訳（メタデータ） (2025-08-21T21:59:09Z)
• LUMIR: an LLM-Driven Unified Agent Framework for Multi-task Infrared Spectroscopy Reasoning [12.138903544219724]
  本研究では,低データ条件下での正確な赤外分光分析を実現するためのフレームワークであるLUMIRを紹介する。 LUMIRは構造化文学知識ベース、自動前処理、特徴抽出、予測モデリングを統合パイプラインに統合する。 利用可能なミルク近赤外データセット、中国の薬草、貯蔵期間の異なるCitri Reticulatae Pericarpium(CRP)、産業排水CODデータセット、Tecator、Cornなど、さまざまなデータセットで検証された。
  論文  参考訳（メタデータ） (2025-07-29T03:20:51Z)
• SpecCLIP: Aligning and Translating Spectroscopic Measurements for Stars [6.314253302704276]
  我々は、LLMにインスパイアされた方法論を恒星スペクトル分析に拡張する基盤モデルフレームワークであるSpecCLIPを提案する。 大規模データセットの基盤モデルをトレーニングすることで、さまざまな下流アプリケーションをサポートする堅牢で情報に富んだ埋め込みを学ぶことが私たちのゴールです。 これらのモデルを中規模ラベル付きデータセットに微調整することで、恒星パラメータ推定や化学特性決定といったタスクへの適応性が向上することを示した。
  論文  参考訳（メタデータ） (2025-07-02T17:49:52Z)
• CARL: Camera-Agnostic Representation Learning for Spectral Image Analysis [69.02751635551724]
  スペクトルイメージングは、医療や都市景観の理解など、様々な領域で有望な応用を提供する。 スペクトルカメラのチャネル次元と捕獲波長のばらつきは、AI駆動方式の開発を妨げる。 本稿では,RGB,マルチスペクトル,ハイパースペクトル画像を用いたカメラ非依存表現学習モデルCARLを紹介する。
  論文  参考訳（メタデータ） (2025-04-27T13:06:40Z)
• Holistic Physics Solver: Learning PDEs in a Unified Spectral-Physical Space [54.13671100638092]
  Holistic Physics Mixer (HPM) は、スペクトルと物理情報を統一された空間に統合するためのフレームワークである。 我々はHPMが精度と計算効率の両面で最先端の手法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-15T08:19:39Z)
• Hodge-Aware Contrastive Learning [101.56637264703058]
  単純コンプレックスは、マルチウェイ依存によるデータのモデリングに有効である。 我々は、単純なデータを処理するための対照的な自己教師付き学習手法を開発した。
  論文  参考訳（メタデータ） (2023-09-14T00:40:07Z)
• ESSAformer: Efficient Transformer for Hyperspectral Image Super-resolution [76.7408734079706]
  単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。 本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
  論文  参考訳（メタデータ） (2023-07-26T07:45:14Z)
• Closing the loop: Autonomous experiments enabled by machine-learning-based online data analysis in synchrotron beamline environments [80.49514665620008]
  機械学習は、大規模または高速に生成されたデータセットを含む研究を強化するために使用できる。 本研究では,X線反射法(XRR)のための閉ループワークフローへのMLの導入について述べる。 本研究では,ビームライン制御ソフトウェア環境に付加的なソフトウェア依存関係を導入することなく,実験中の基本データ解析をリアルタイムで行うソリューションを提案する。
  論文  参考訳（メタデータ） (2023-06-20T21:21:19Z)

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。