Pseudo-shot Learning for Soil Classification With Laser-Induced Breakdown Spectroscopy
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».