Pseudo-shot Learning for Soil Classification With Laser-Induced Breakdown Spectroscopy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Laser-induced breakdown spectroscopy (LIBS) has become an emerging analytical technique for soil analysis. The application of machine learning for quantitative and qualitative analysis has made LIBS more promising. However, the emission line distribution can be highly variable due to the soil samples' varied physical properties and/or chemical composition. It may cause spectra distribution change and make the training spectra not accurately reflect the test spectra distribution. Hence, the test performance is deteriorated by applying an ML model trained on samples from the training distribution to the test distribution. To handle the spectra distribution problem, we propose using pseudoshot learning with Siamese networks, a domain adaptation (DA) method to incorporate pseudolabeled samples based on similarity confidence into the parameter estimation procedure. Considering the domain transfer differences among classes, we categorize the classes as hard, normal, and easy to reflect the class transfer difficulties in DA. We mainly focus on the hard classes as samples from these classes are not representative of the source domain and can easily be misclassified in the prediction phase. Few-shot learning is used to find the spectra from hard classes but misclassified into their similar classes. These spectra are included to cotrain the model with source samples to improve the test performance of hard classes. Our framework is tested with the EMSLIBS dataset, which shows that it can effectively overcome the spectra distribution shift and achieves 94.12% test accuracy. It beats the current best-performing model using the same dataset.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle