論文の概要: Interpolation-Driven Machine Learning Approaches for Plume Shine Dose Estimation: A Comparison of XGBoost, Random Forest, and TabNet

• arxiv url: http://arxiv.org/abs/2602.19584v1
• Date: Mon, 23 Feb 2026 08:12:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.722838
• Title: Interpolation-Driven Machine Learning Approaches for Plume Shine Dose Estimation: A Comparison of XGBoost, Random Forest, and TabNet
• Title（参考訳）: プラムシャイン線量推定のための補間駆動型機械学習アプローチ:XGBoost,ランダムフォレスト,タブネットの比較
• Authors: Biswajit Sadhu, Kalpak Gupte, Trijit Sadhu, S. Anand,
• Abstract要約: プラム光線量推定のための機械学習フレームワークを開発した。 このフレームワークは17個のガンマ発光放射性核種のためのpyEIADOSスイートで生成された離散線量データセットを用いて開発された。 パーマテーションの重要度とアテンションに基づく特徴属性を用いた解釈可能性分析により,モデルの性能差が入力特徴の活用方法に起因していることが判明した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the success of machine learning (ML) in surrogate modeling, its use in radiation dose assessment is limited by safety-critical constraints, scarce training-ready data, and challenges in selecting suitable architectures for physics-dominated systems. Within this context, rapid and accurate plume shine dose estimation serves as a practical test case, as it is critical for nuclear facility safety assessment and radiological emergency response, while conventional photon-transport-based calculations remain computationally expensive. In this work, an interpolation-assisted ML framework was developed using discrete dose datasets generated with the pyDOSEIA suite for 17 gamma-emitting radionuclides across varying downwind distances, release heights, and atmospheric stability categories. The datasets were augmented using shape-preserving interpolation to construct dense, high-resolution training data. Two tree-based ML models (Random Forest and XGBoost) and one deep learning (DL) model (TabNet) were evaluated to examine predictive performance and sensitivity to dataset resolution. All models showed higher prediction accuracy with the interpolated high-resolution dataset than with the discrete data; however, XGBoost consistently achieved the highest accuracy. Interpretability analysis using permutation importance (tree-based models) and attention-based feature attribution (TabNet) revealed that performance differences stem from how the models utilize input features. Tree-based models focus mainly on dominant geometry-dispersion features (release height, stability category, and downwind distance), treating radionuclide identity as a secondary input, whereas TabNet distributes attention more broadly across multiple variables. For practical deployment, a web-based GUI was developed for interactive scenario evaluation and transparent comparison with photon-transport reference calculations.
• Abstract（参考訳）: 代理モデリングにおける機械学習(ML)の成功にもかかわらず、その放射線線量評価における使用は、安全性に限界のある制約、訓練が不十分なデータ、物理に支配されたシステムに適したアーキテクチャを選択する際の課題によって制限されている。 このような状況下では、核施設の安全評価や放射線緊急応答に欠かせないため、迅速かつ正確なプラム光線量推定が実用的なテストケースとして機能する一方、従来の光子輸送に基づく計算は計算コストが高いままである。 本研究は,17個のガンマ発光性放射性核種に対するpyDOSEIAスイートを用いて,風下距離,放出高さ,大気安定性の異なるカテゴリーの離散線量データセットを用いて補間支援MLフレームワークを開発した。 データセットは、密集した高解像度のトレーニングデータを構築するために、形状保存補間を使用して拡張された。 2つのツリーベースMLモデル(Random ForestとXGBoost)と1つのディープラーニング(DL)モデル(TabNet)を評価し,データセットの解像度に対する予測性能と感度について検討した。 全てのモデルは、補間された高解像度データセットで離散データよりも高い予測精度を示したが、XGBoostは一貫して最高精度を達成した。 パーマテーションの重要度(ツリーベースモデル)とアテンションベースの特徴属性(TabNet)を用いた解釈可能性分析により,モデルの性能差が入力特徴の活用方法に起因していることが判明した。 木に基づくモデルは、主に支配的な幾何学的分散特徴(リリース高さ、安定性カテゴリ、風下距離)に焦点を当て、放射性核種を二次入力として扱う一方、TabNetは複数の変数にわたってより広範囲に注意を分散する。 実践的な展開のために,対話型シナリオ評価と光子輸送参照計算との透過的比較のためのWebベースのGUIを開発した。

関連論文リスト

• TokaMark: A Comprehensive Benchmark for MAST Tokamak Plasma Models [56.94569090844015]
  TokaMarkは、Mega Ampere Spherical Tokamak (MAST)から収集された実実験データに基づいてAIモデルを評価するための構造化ベンチマークである。 TokaMarkは、データ駆動型AIベースのプラズマモデリングの進歩を加速することを目的としている。
  論文  参考訳（メタデータ） (2026-02-05T16:49:44Z)
• Evaluating Ensemble and Deep Learning Models for Static Malware Detection with Dimensionality Reduction Using the EMBER Dataset [0.0]
  本研究では,EMBERデータセットを用いた静的マルウェア検出における機械学習アルゴリズムの有効性について検討した。 LightGBM, XGBoost, CatBoost, Random Forest, Extra Trees, HistGradientBoosting, k-Nearest Neighbors (KNN), TabNetの8つの分類モデルを評価した。 モデルは精度、精度、リコール、F1スコア、AUCに基づいて評価され、予測性能とロバスト性の両方を調べる。
  論文  参考訳（メタデータ） (2025-07-22T18:45:10Z)
• NeuralSurv: Deep Survival Analysis with Bayesian Uncertainty Quantification [42.418429168532406]
  我々はベイズの不確実性定量化を取り入れた最初のディープサバイバルモデルであるNeuralSurvを紹介する。 モデルサイズを線形にスケールする座標アセット更新を用いた平均場変分アルゴリズムを導入する。 実験では、NeuralSurvは最先端のディープサバイバルモデルよりも優れたキャリブレーションを提供する。
  論文  参考訳（メタデータ） (2025-05-16T09:53:21Z)
• A Causal Graph-Enhanced Gaussian Process Regression for Modeling Engine-out NOx [0.0]
  ガウス過程回帰を用いたエンジンアウトNOx排出予測モデルの開発と検証を行った。 入力ウィンドウとディープカーネル構造を用いる場合,本モデルにより予測性能が向上する。
  論文  参考訳（メタデータ） (2024-10-24T04:23:57Z)
• From Data to Insights: A Covariate Analysis of the IARPA BRIAR Dataset for Multimodal Biometric Recognition Algorithms at Altitude and Range [13.42292577384284]
  本稿では,IARPA BRIARデータセットにおける全身バイオメトリックス性能の融合に着目し,UAVプラットフォーム,高度位置,最大1000mに焦点をあてる。 データセットには、屋内画像や制御された歩行記録と比較して、屋外ビデオが含まれている。
  論文  参考訳（メタデータ） (2024-09-03T00:58:50Z)
• Peaking into the Black-box: Prediction Intervals Give Insight into Data-driven Quadrotor Model Reliability [0.6215404942415159]
  予測間隔(PI)は、モデルの予測の一貫性と精度に関する洞察を提供するために用いられる。 本稿では、ブートストラップとニューラルネットワーク(ANN)の4次空力モデルに対するそのようなPIを推定する。 ANNをベースとしたPIは外挿時にかなり広くなり、外挿時には一定に保たれたり、縮小したりした。
  論文  参考訳（メタデータ） (2024-08-12T09:57:00Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• DiffusionEngine: Diffusion Model is Scalable Data Engine for Object Detection [41.436817746749384]
  Diffusion Modelはオブジェクト検出のためのスケーラブルなデータエンジンである。 DiffusionEngine(DE)は、高品質な検出指向のトレーニングペアを単一のステージで提供する。
  論文  参考訳（メタデータ） (2023-09-07T17:55:01Z)
• DepthFormer: Exploiting Long-Range Correlation and Local Information for Accurate Monocular Depth Estimation [50.08080424613603]
  高精度な単分子深度推定には長距離相関が不可欠である。 我々は,このグローバルコンテキストを効果的な注意機構でモデル化するためにTransformerを活用することを提案する。 提案したモデルであるDepthFormerは、最先端のモノクル深度推定手法をはるかに超えている。
  論文  参考訳（メタデータ） (2022-03-27T05:03:56Z)

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。