論文の概要: The impact of feature engineering and an optimisation framework for ocean colour machine learning

• arxiv url: http://arxiv.org/abs/2608.19899v1
• Date: Thu, 20 Aug 2026 11:07:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.537621
• Title: The impact of feature engineering and an optimisation framework for ocean colour machine learning
• Title（参考訳）: 海洋色機械学習における特徴工学と最適化フレームワークの影響
• Abstract要約: 7段階のデータ変換を含む最適化フレームワークを提案する。 本稿では,多層パーセプトロン,サポートベクトルマシン,eXtreme Gradient Boosting Treeの応用例を示す。 その結果, Sentinel-3 OLCI を用いた6つの研究で得られた FE の精度は高い値を示した。
• 参考スコア（独自算出の注目度）: 0.023725310016606927
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning (ML) is widely used for the development of ocean colour algorithms, but most studies focus on model parameter training and hyperparameter tuning. The optimisation of the data that feeds the models - i.e., Feature Engineering (FE) - is not fully explored. We assess the impact of FE in ocean colour machine learning models and we propose an optimisation framework that includes seven sequenced levels of data transformation: i. band choice, ii. log scaling, iii. spectral shape normalisation, iv. index extraction, v. principal component analysis, vi. feature scaling, and vii. zero-to-one scaling. We demonstrate the application for Multi-layer perceptron, Support Vector Machines, and eXtreme Gradient Boosting Trees on Sentinel-3 OLCI observations in the Norwegian coastal waters. The models are trained to estimate Chlorophyll-a concentration [Chl-a] and Secchi disk depth (Zsd). Results show that accuracy is highly variable among FE found in six studies using Sentinel-3 OLCI and the ones that we optimise. The R range from 0.01 to 0.55 for [Chl-a] and from 0.15 to 0.68 for Zsd, where the optimised FE shows the top results. The ML models with optimised FE could also improve by two times the R and reduce up to 63% of the mean absolute error when compared to CHL_OC4ME and CHL_NN standard algorithms. Nevertheless, no common optimised FE is found for all target variables and ML models, suggesting that FE optimisation is necessary for each application. Therefore, our proposed framework can be key for improving the accuracy of water quality monitoring in coastal waters.
• Abstract（参考訳）: 機械学習(ML)は海洋色アルゴリズムの開発に広く用いられているが、ほとんどの研究はモデルパラメータトレーニングとハイパーパラメータチューニングに焦点を当てている。 モデルをフィードするデータの最適化 - すなわち、機能エンジニアリング(FE) - は、完全には調査されていない。 海色機械学習モデルにおけるFEの影響を評価し、7つのデータ変換レベルを含む最適化フレームワークを提案する。 バンドの選択だ ログスケーリング iii スペクトル形状正規化 iv インデックス抽出 v 主成分分析 VI 機能スケーリングとviiです 0対1のスケーリング。 ノルウェー沿岸海域におけるセンチネル-3 OLCI観測における多層パーセプトロン, 支持ベクトルマシン, eXtreme Gradient Boosting Treesの適用例を示した。 これらのモデルを用いてクロロフィルa濃度(Chl-a)とセチディスク深さ(Zsd)を推定する。 その結果, Sentinel-3 OLCI を用いた6つの研究で得られた FE の精度は高いことが判明した。 R は [Chl-a] は 0.01 から 0.55 まで、Zsd は 0.15 から 0.68 まで、最適化された FE が上位結果を示す。 CHL_OC4MEとCHL_NNの標準アルゴリズムと比較して、最適化されたFEを持つMLモデルはRの2倍改善し、平均絶対誤差の最大63%を削減できる。 それでも、すべてのターゲット変数とMLモデルに共通の最適化FEは見つからないため、各アプリケーションにFE最適化が必要であることが示唆されている。 そこで本提案手法は,沿岸海域における水質モニタリングの精度向上に有効である。

関連論文リスト

• Towards Robust Training in NNGPT AutoML Pipeline: A Loss-Optimizer Pairing Selection Study [48.83701310501069]
  本稿では, 一つのレシピがヘテロジニアスなアーキテクチャプールに十分であるか, 最適ペアリングが構造的に多様なモデルによって異なるかを検討する。 我々は,CEL(Cross-Entropy),NLL(Negative Log-Likelihood),および最近導入された遺伝学的に進化したNGL損失を,LEMURヘテロジニアス・アーキテクチャー・プールの6つの画像分類データセット上に提示したベースモデル間で比較検討した。 我々の結果は、単一のペアリングが普遍的に最適でないことを確認した。AdamやAdamWとのクロスエントロピーは、最も堅牢な選択である。
  論文  参考訳（メタデータ） (2026-06-18T20:51:42Z)
• Generative 3D Gaussian Splatting for Arbitrary-ResolutionAtmospheric Downscaling and Forecasting [42.14088733878958]
  3次元ガウススプラッティング型スケールアウェア・ビジョン・トランス (GSSA-ViT) 鍵パラメータを推定するために、生成的な3Dガウス予測スキームを導入する。 スケール対応アテンションモジュールは、スケール間の依存関係をキャプチャするように設計されている。
  論文  参考訳（メタデータ） (2026-04-09T07:47:49Z)
• PiCSRL: Physics-Informed Contextual Spectral Reinforcement Learning [0.0]
  埋め込みをドメイン知識を用いて設計したPiCSRL(Physics-Informed Contextual Spectral Reinforcement Learning)を提案する。 本研究では,物理インフォームド特徴を符号化して予測を改善する不確実性認知モデルを開発した。
  論文  参考訳（メタデータ） (2026-03-26T19:53:59Z)
• Hyperparameter Transfer Enables Consistent Gains of Matrix-Preconditioned Optimizers Across Scales [55.91454326946738]
  学習速度と減量率の最適化は,幅広い言語に対して,モデルの幅と深さでどのようにスケールするかを検討する。 我々は、$Pによる学習率のスケーリングは転送を改善するが、それでもかなりの有限幅偏差に悩まされる可能性があることを見出した。 計算-最適スケーリングでは、独立したウェイト崩壊が1/mathrmwidth$で言語間でほぼ最適であることが分かる。
  論文  参考訳（メタデータ） (2025-12-05T11:03:41Z)
• MARVO: Marine-Adaptive Radiance-aware Visual Odometry [0.5336398444466023]
  MARVOは,水中画像形成モデル,識別可能なマッチング,強化学習を融合した物理認識・学習統合化フレームワークである。 強化に基づく PoseGraph は、SE(2) 上の最適リトラクション作用を学習することにより、古典的最小二乗の局所ミニマを超えてグローバルなトラジェクトリを洗練する。
  論文  参考訳（メタデータ） (2025-11-28T03:31:40Z)
• Wavelet Logic Machines: Learning and Reasoning in the Spectral Domain Without Neural Networks [0.0]
  ウェーブレット領域を完全に操作することで、従来のニューラルネットワーク層を除去する、完全なスペクトル学習フレームワークを導入する。 このモデルは、ウェーブレット係数に直接、ソフトスレッディングやゲイン位相変調を含む学習可能な非線形変換を適用する。 それはまた、Haar、Daubechies、Biorthogonal Waveletなどのファミリーを使った適応処理を可能にする、微分可能なウェーブレット基底選択機構を含んでいる。
  論文  参考訳（メタデータ） (2025-07-18T01:28:17Z)
• Predictable Scale: Part I, Step Law -- Optimal Hyperparameter Scaling Law in Large Language Model Pretraining [59.369484219304866]
  我々は100兆のトークンをスクラッチから3,700以上の大規模言語モデル(LLM)に対する前例のない経験的調査訓練を実施している。 ステップ法則(ステップ法)と呼ばれる,LLM事前学習におけるハイパーパラメータ最適化のための普遍的スケーリング法則を確立する。 我々の推定オプティマは, 排他的探索によって得られた世界最高の性能から, テストセットの0.094%しか逸脱しない。
  論文  参考訳（メタデータ） (2025-03-06T18:58:29Z)
• Factorized Implicit Global Convolution for Automotive Computational Fluid Dynamics Prediction [52.32698071488864]
  非常に大きな3DメッシュのCFD問題を効率的に解く新しいアーキテクチャであるFactized Implicit Global Convolution (FIGConv)を提案する。 FIGConvは、既存の3DニューラルCFDモデルよりも大幅に改善された2次複雑性の$O(N2)$を達成する。 業界標準のAhmedボディデータセットと大規模DrivAerNetデータセットに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2025-02-06T18:57:57Z)
• Predictor-Corrector Enhanced Transformers with Exponential Moving Average Coefficient Learning [73.73967342609603]
  トラクションエラーを最小限に抑えるための予測-相関学習フレームワークを提案する。 また、高次予測器を強化するために、指数関数的移動平均ベース係数学習法を提案する。 我々のモデルは3.8BのDeepNetを平均2.9のSacreBLEUで上回り、1/3のパラメータしか使用していない。
  論文  参考訳（メタデータ） (2024-11-05T12:26:25Z)
• Graph Network Surrogate Model for Subsurface Flow Optimization [2.5782420501870296]
  井戸の位置と制御の最適化は、地下流れの操作の設計において重要なステップである。 本稿では,適切な配置と制御を最適化するためのグラフネットワーク代理モデル(GNSM)を提案する。 GNSMは、フローモデルを符号化-処理-復号アーキテクチャを含む計算グラフに変換する。
  論文  参考訳（メタデータ） (2023-12-14T03:13:12Z)
• Neural Gradient Learning and Optimization for Oriented Point Normal Estimation [53.611206368815125]
  本研究では,3次元点雲から勾配ベクトルを一貫した向きで学習し,正規推定を行うためのディープラーニング手法を提案する。 局所平面幾何に基づいて角距離場を学習し、粗勾配ベクトルを洗練する。 本手法は,局所特徴記述の精度と能力の一般化を図りながら,グローバル勾配近似を効率的に行う。
  論文  参考訳（メタデータ） (2023-09-17T08:35:11Z)
• FAMLP: A Frequency-Aware MLP-Like Architecture For Domain Generalization [73.41395947275473]
  本稿では、変換周波数領域において、ドメイン固有の特徴をフィルタリングする新しい周波数認識アーキテクチャを提案する。 3つのベンチマークの実験では、最先端の手法をそれぞれ3%、4%、9%のマージンで上回った。
  論文  参考訳（メタデータ） (2022-03-24T07:26:29Z)

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。