Long-term evaluation of machine learning based methods for air emission monitoring
Notice bibliographique
Résumé
Abstract Machine learning (ML) techniques have been researched and used in various environmental monitoring applications. Few studies have reported the long-term evaluation of such applications. Discussions regarding the risks and regulatory frameworks of ML applications in environmental monitoring have been rare. We monitored the performance of six ML-based predictive models for 28 months. The six ML models used to predict NO x emissions were developed using six different algorithms. The model developed with a moderate complexity algorithm, adaptive boosting, had the best performance in long-term monitoring, with a root mean square error (RMSE) of 0.48 kg/hr in the 28-month monitoring period, and passed two of the three relative accuracy test audits. High complexity models based on gradient boosting and neural network algorithms had the best training performance, with a minimum RMSE of 0.23 kg/hr and 0.26 kg/hr, but also had the worst RMSE scores, of 0.51 kg/hr and 0.57 kg/hr, during the monitoring period. In addition, all six models failed all three relative accuracy test audits. The following problems were observed: 1) Complex ML models tended to have overfitting problems, thus indicating the importance of the trade-off between model accuracy and complexity. 2) Model input sensor drift or out of high-frequency ranges from the training data resulted in inaccurate predictions or an accuracy lower than the minimum allowed by regulators. 3) Existing regulatory frameworks must be modernized to keep pace with current machine learning practices. Some statistical tests are unsuitable for applications developed by using ML methods.
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 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 | 0,025 | 0,006 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».