論文の概要: Evolutionary Architecture Search for Chlorophyll-$a$ Prediction in Lakes using Sentinel-2

• arxiv url: http://arxiv.org/abs/2610.10496v1
• Date: Wed, 07 Oct 2026 17:47:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:23.091763
• Title: Evolutionary Architecture Search for Chlorophyll-$a$ Prediction in Lakes using Sentinel-2
• Title（参考訳）: クロロフィルの進化的構造探索-センチネルによる湖沼の予測-2
• Abstract要約: このようなモデルを再検討し、アーキテクチャ検索が追加するアーキテクチャ、タスクの保持、機能、および元の研究で修正された湖レベルのトレイン/テストの分割について尋ねる。 我々は、409個のトレーニング可能なパラメータを用いて、AUCを0.790から0.820に改善し、精度を0.733から0.748に改善したネットワークを見つける。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Small tabular datasets with expert-designed spectral features are the norm in operational Earth observation, and the networks applied to them are typically hand-designed. We revisit one such published model -- a Sentinel-2 algal bloom classifier -- and ask what architecture search adds, holding the task, the features and the lake-level train/test split of the original study fixed. Searching an extended multilayer-perceptron space with regularized evolution, and selecting on inner-cross-validation AUC only, we find networks that improve held-out AUC from 0.790 to 0.820 and accuracy from 0.733 to 0.748 while using 409 trainable parameters, 26 times fewer than the strongest hand-designed reference. The search converges on a consistent recipe -- a single narrow layer, RMS normalisation, $\tanh$ activation, step-decayed RMSprop and weight averaging -- that a practitioner would be unlikely to reach by default. At 1.6\,kB the resulting model is small enough to serve as an onboard screening trigger, which is the setting that motivates the work. Code: https://github.com/VU-AIML/automl4eo-bloom-nas.
• Abstract（参考訳）: 専門家によって設計されたスペクトルの特徴を持つ小さな表のデータセットは、運用上の地球観測の標準であり、それらに適用されるネットワークは通常手作業で設計される。 このようなモデル -- Sentinel-2 algal bloom 分類器 -- を再検討し、アーキテクチャ検索に何が追加されたか、タスク、機能、湖レベルの列車/テストの分割が修正されたかを尋ねる。 拡張多重層パーセプトロン空間を正規化して、内部クロスバリデーションAUCのみを選択すると、最強手設計基準の26倍の409個のトレーニング可能なパラメータを使用しながら、ホールドアウトAUCを0.790から0.820に改善し、精度を0.733から0.748に改善するネットワークが見つかる。 検索は、単一の狭いレイヤ、RMS正規化、$\tanh$アクティベーション、ステップ切り離されたRMSプロップ、およびウェイト平均化といった一貫したレシピに収束する。 1.6\,kBでは、結果として得られるモデルは、オンボードのスクリーニングトリガーとして機能するほど小さく、これは作業の動機となる設定である。 コード:https://github.com/VU-AIML/automl4eo-bloom-nas。

関連論文リスト

• Cross-Architecture Knowledge Distillation from a Vision Foundation Model to a Lightweight Visual State Space Model for Tea Leaf Disease Classification [10.122947222129108]
  DINOv2のような自己監督型ビジョンファウンデーションモデルは強力な機能を提供するが、フィールド展開には大きすぎる。 微調整DINOv2教師からコンパクトな双方向視覚空間モデルへのクロスアーキテクチャ知識の蒸留について検討した。 我々は,SSM学生が限られたデータで学習することを防ぐ2つのトレーニング安定問題を同定し,修正する。
  論文  参考訳（メタデータ） (2026-08-27T08:02:05Z)
• YOLO26-RD: An End-to-End Road Damage Detection Network With Learnable Contrast Enhancement and Edge-Guided Downsampling [2.274915755738124]
  本稿では、ストライド4レベルが75.3%のアンカーを主張し、ローカライゼーションエラーよりも完全なミスがベースライン障害を支配しているという前提を検証する。 レシピの1つ、YOLO26-RD、YOLO26-RD、YOLO26-RD、YOLOv12ファミリーの5つの尺度で、スクラッチから15のモデルを訓練した。 YOLO26-RD-l は 0.809 mAP50 と 0.497 mAP50-95 の15の最高値であり、YOLO26 の参照を 0.031 と 0.030 で改善し、クラスごとに6つのエントリをリードする。
  論文  参考訳（メタデータ） (2026-08-16T12:36:12Z)
• Transformer-Guided Swarm Intelligence for Frugal Neural Architecture Search [0.0]
  本稿では,消費者階級のハードウェア上でのアーキテクチャ設計を民主化するためのフラガアルでメメティックなニューラルアーキテクチャ探索フレームワークを提案する。 提案手法は,RL(Reinforcement Learning)を用いて訓練された自己回帰トランスフォーマーコントローラのグローバルマクロ検索機能と,ABC(Artificial Bee Colony)アルゴリズムの局所的マイクロエクスロテーションを組み合わせたものである。 我々のフレームワークは、エッジデプロイメントに適した、カスタマイズされた、アクセス可能で、パラメータ効率の高いディープラーニングモデルを提供できることを示す。
  論文  参考訳（メタデータ） (2026-07-13T17:18:24Z)
• LEAP: Layer-wise Exit-Aware Pretraining for Efficient Transformer Inference [0.5277024349608834]
  層状蒸留と収束に基づく早期出口は、変圧器推論の2つの主要な計算効率パラダイムを表す。 本稿では、この非互換性を緩和する補助訓練目標であるLEAP(Layer-wise Exit-Aware Pretraining)を紹介する。 LEAP-MiniLMは1.61$times$のウォールクロック・スピードアップを達成し、91.9%のサンプルが7層で排出され、1.80$times$の理論的層還元を達成した。
  論文  参考訳（メタデータ） (2026-05-01T19:45:26Z)
• LACONIC: Dense-Level Effectiveness for Scalable Sparse Retrieval via a Two-Phase Training Curriculum [73.82125917416067]
  LACONICは、Llama-3アーキテクチャに基づく学習されたスパースレトリバーのファミリーである。 8Bの派生型はMTEB Retrievalベンチマークで最先端の60.2 nDCGを達成し、リーダーボードで15位となった。
  論文  参考訳（メタデータ） (2026-01-04T22:42:20Z)
• ShortcutBreaker: Low-Rank Noisy Bottleneck with Global Perturbation Attention for Multi-Class Unsupervised Anomaly Detection [59.89803740308262]
  ShortcutBreakerはMUADタスクのための新しい統合された機能再構成フレームワークである。 ショートカットの問題に対処する2つの重要なイノベーションが特徴だ。 提案手法は,4つのデータセットに対して,99.8%,98.9%,90.6%,87.8%の顕著な画像レベルのAUROCを実現する。
  論文  参考訳（メタデータ） (2025-10-21T06:51:30Z)
• Efficient Deep Spiking Multi-Layer Perceptrons with Multiplication-Free Inference [13.924924047051782]
  スパイキングニューラルネットワーク(SNN)の深部畳み込みアーキテクチャは、画像分類性能を大幅に向上し、計算負荷を低減した。 本研究は、MLP(Multi-Layer Perceptrons)の進歩からインスピレーションを得て、新しい経路を探求する。 MFIの互換性を維持するためにバッチ正規化を用いる革新的なスパイクアーキテクチャを提案する。 我々は,グローバルな受容場と局所的な特徴抽出を効果的に組み合わせた,効率的なマルチステージスパイクネットワークを構築した。
  論文  参考訳（メタデータ） (2023-06-21T16:52:20Z)
• EdgeNeXt: Efficiently Amalgamated CNN-Transformer Architecture for Mobile Vision Applications [68.35683849098105]
  入力テンソルを複数のチャネルグループに分割するSDTAエンコーダを導入する。 1.3Mパラメータを持つEdgeNeXtモデルでは、ImageNet-1Kで71.2%のTop-1精度を実現している。 パラメータ5.6MのEdgeNeXtモデルでは、ImageNet-1Kで79.4%のTop-1精度を実現しています。
  論文  参考訳（メタデータ） (2022-06-21T17:59:56Z)
• AutoBERT-Zero: Evolving BERT Backbone from Scratch [94.89102524181986]
  そこで本稿では,提案するハイブリッドバックボーンアーキテクチャを自動検索するOP-NASアルゴリズムを提案する。 提案するOP-NASの効率を向上させるために,探索アルゴリズムと候補モデルの評価を最適化する。 実験の結果、検索されたアーキテクチャ(AutoBERT-Zero)は、様々な下流タスクにおいてBERTとそのバリエーションの異なるモデル容量を著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-07-15T16:46:01Z)
• BossNAS: Exploring Hybrid CNN-transformers with Block-wisely Self-supervised Neural Architecture Search [100.28980854978768]
  BossNAS(Block-wisely Self-supervised Neural Architecture Search)の紹介 探索空間をブロックに分類し、アンサンブルブートストラッピングと呼ばれる新しい自己教師型トレーニングスキームを用いて各ブロックを個別に訓練する。 また,検索可能なダウンサンプリング位置を持つファブリック型cnnトランスフォーマ検索空間であるhytra search spaceを提案する。
  論文  参考訳（メタデータ） (2021-03-23T10:05:58Z)

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。