論文の概要: From field-scale to large-scale spectral libraries: Tabular foundation models in soil spectroscopy

• arxiv url: http://arxiv.org/abs/2608.00608v1
• Date: Sat, 01 Aug 2026 11:56:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.825542
• Title: From field-scale to large-scale spectral libraries: Tabular foundation models in soil spectroscopy
• Title（参考訳）: フィールドスケールから大規模まで:土壌分光におけるタブラル基礎モデル
• Abstract要約: 可視・近赤外(vis-NIR)および中赤外分光法(MIR)は土壌特性の迅速かつ費用対効果の予測を可能にする。 高次元高コリニアスペクトルを正確な土壌特性予測に変換することは依然として困難である。 85の回帰タスクにわたる分光モデルにおける回帰モデルと次元減少手法について検討した。
• 参考スコア（独自算出の注目度）: 0.6377541605829954
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visible and near-infrared (vis-NIR) and mid-infrared (MIR) spectroscopy enable rapid, cost-effective prediction of soil properties. Yet, translating high-dimensional, highly collinear spectra into accurate soil property predictions remains challenging, particularly when employing machine learning. We systematically investigated regression models and dimensionality reduction approaches for spectroscopic modeling across 85 regression tasks from open benchmark datasets in pedometrics spanning field-scale digital soil mapping and a global soil spectral library. We compared an in-context learning tabular foundation model (TabPFN), a convolutional neural network (CNN), rule-based regression (Cubist), Random Forest, and partial least squares regression (PLSR) using full spectra as well as features derived from principal component analysis (PCA) and partial least squares (PLS) latent variables. TabPFN consistently delivered the best overall performance across scales, including large spectral library tasks with tens of thousands of soil samples. Notably, TabPFN applied directly to full spectra already surpassed all classical baselines, showing that explicit dimensionality reduction is not strictly required for strong performance. Further improvements were achieved through PLS, which proved to be an effective dimensionality reduction strategy for all models. Combining PLS latent variables with TabPFN yielded the best predictions overall. Our findings provide evidence-based guidance for spectroscopic calibration model selection across operational scales, demonstrating that the long-standing advantages of PLSR and modern tabular foundation models complement each other in chemometrics.
• Abstract（参考訳）: 可視・近赤外(vis-NIR)および中赤外分光法(MIR)は土壌特性の迅速かつ費用対効果の予測を可能にする。 しかし、特に機械学習を用いる場合、高次元の高コリニアスペクトルを正確な土壌特性予測に変換することは困難である。 フィールドスケールのデジタル土壌マッピングと大域の土壌スペクトルライブラリにまたがるペドメトリのオープンベンチマークデータセットから,85の回帰タスクを対象とした回帰モデルと次元性低減手法を系統的に検討した。 我々は,主成分分析(PCA)および部分最小二乗潜在変数(PLS)から派生した特徴に加えて,文脈内学習表層基盤モデル(TabPFN),畳み込みニューラルネットワーク(CNN),ルールベース回帰(キュービスト),ランダムフォレスト,部分最小二乗回帰(PLSR)を比較した。 TabPFNは、数千の土壌サンプルを含む大規模なスペクトルライブラリタスクを含む、スケール全体での最高の全体的なパフォーマンスを一貫して提供した。 特に、TabPFNは全ての古典的ベースラインを超越したスペクトルに直接適用し、強い性能には明らかに次元の減少が厳密には要求されないことを示した。 さらなる改善はPSSによって達成され、これは全てのモデルにとって効果的な次元削減戦略であることが証明された。 PLS潜伏変数とTabPFNを組み合わせることで、全体として最高の予測が得られた。 以上の結果から, PLSR と現代の表層基礎モデルの長期的優位性は, ケモメトリックスにおいて相互に補完することを示した。

関連論文リスト

• Tabular foundation models for robust calibration of near-infrared chemical sensing data [0.0]
  近赤外分光法は、迅速で非破壊的な化学センシング技術としてますます使われている。 タブレット基礎モデルは、NIR化学センシングのための新しいキャリブレーション戦略を提供することができる。 54の回帰と12の分類タスクをカバーする66のNIRデータセット上でTabPFNをベンチマークした。
  論文  参考訳（メタデータ） (2026-05-20T09:48:18Z)
• Don't Fix the Basis -- Learn It: Spectral Representation with Adaptive Basis Learning for PDEs [0.2581652423269287]
  本稿では,事前定義されたベースに依存するのではなく,データ依存のスペクトル表現を学習するフレームワークであるAdaptive Basis Learning(ABLE)を提案する。 ABLEは、学習された補助密度を介して空間適応的なParsevalフレームを構築し、オペレータが持ち上げられたスペクトル空間で動作できるようにする。 この結果から,演算子の複雑性のみではなく,データ駆動による表現の選択が,ニューラル演算子の設計における重要なボトルネックであることを強調した。
  論文  参考訳（メタデータ） (2026-05-11T12:20:57Z)
• Structure-Informed Estimation for Pilot-Limited MIMO Channels via Tensor Decomposition [51.56484100374058]
  本稿では、スパース観測から低ランクテンソル完備化としてパイロットリミテッドチャネル推定を定式化する。 合成チャネル実験による最小二乗平均二乗誤差(NMSE)の最小二乗平均誤差(LS)に対する改善 DeepMIMO線トレーシングチャネルの評価では、純粋なテンソル法よりも24-44%NMSEが減少している。
  論文  参考訳（メタデータ） (2026-02-03T23:38:05Z)
• SIGMA: Scalable Spectral Insights for LLM Collapse [51.863164847253366]
  SIGMA(Spectral Inequalities for Gram Matrix Analysis)は,モデル崩壊のための統一的なフレームワークである。 行列のスペクトル上の決定論的境界を導出するベンチマークを利用することで、SIGMAは表現空間の収縮を追跡するために数学的に基底化された計量を提供する。 我々は、SIGMAが状態への遷移を効果的に捉え、崩壊のメカニズムに関する理論的知見の両方を提供することを示した。
  論文  参考訳（メタデータ） (2026-01-06T19:47:11Z)
• Self-supervised and Multi-fidelity Learning for Extended Predictive Soil Spectroscopy [2.8830677829565894]
  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。
  論文  参考訳（メタデータ） (2025-11-20T01:36:33Z)
• Near-Infrared Hyperspectral Imaging Applications in Food Analysis -- Improving Algorithms and Methodologies [0.0]
  本論文は,近赤外ハイパースペクトルイメージング(NIR-HSI)の食品品質解析への応用について検討する。 いくつかの分析では、畳み込みニューラルネットワーク(CNN)と部分最小二乗(PLS)に基づくモデルを比較する。
  論文  参考訳（メタデータ） (2025-10-15T11:53:01Z)
• DispFormer: A Pretrained Transformer Incorporating Physical Constraints for Dispersion Curve Inversion [56.64622091009756]
  本研究では、レイリー波位相と群分散曲線からプロファイルインバージョンを$v_s$とするトランスフォーマーベースのニューラルネットワークであるDispFormerを紹介する。 DispFormerは各期間に分散データを個別に処理し、ネットワークの変更やデータセットのトレーニングとテストの厳格な調整を必要とせずに、さまざまな長さを処理できる。
  論文  参考訳（メタデータ） (2025-01-08T09:08:24Z)
• SpectralEarth: Training Hyperspectral Foundation Models at Scale [47.93167977587301]
  ハイパースペクトル基礎モデルの事前学習を目的とした大規模マルチテンポラルデータセットであるSpectralEarthを紹介する。 我々はSpectralEarthの一連の基礎モデルを事前訓練し、古典的な視覚バックボーンにスペクトルアダプタを統合する。 タンデムでは、土地被覆、作物型マッピング、樹木種分類のための9つの下流データセットを構築した。
  論文  参考訳（メタデータ） (2024-08-15T22:55:59Z)
• Rapid detection of soil carbonates by means of NIR spectroscopy, deep learning methods and phase quantification by powder Xray diffraction [0.0]
  FT NIR分光法と深層学習法を用いて土壌中の炭酸塩濃度を迅速かつ効率的に予測する方法を提案する。 1)回帰器、2)CNNなど複数の機械学習手法を利用して、それらの性能を従来のMLアルゴリズムと比較した。
  論文  参考訳（メタデータ） (2023-07-23T14:32:07Z)
• 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)
• Learning representations with end-to-end models for improved remaining useful life prognostics [64.80885001058572]
  残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。 マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。 提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
  論文  参考訳（メタデータ） (2021-04-11T16:45:18Z)

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。