Adaptive Learning for Soil Classification in Laser-Induced Breakdown Spectroscopy Streaming
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
The application of machine learning (ML) has accelerated the development of laser-induced breakdown spectroscopy (LIBS) in soil analysis. However, analyzing remote LIBS data in real time using ML is challenging due to several factors. Firstly, building robust ML models requires extensive calibration datasets, which are not always possible with limited LIBS experimental data. Secondly, matrix effects can worsen LIBS performance, and changes in sample physical properties or the apparatus can impact the distribution and intensity of emission lines. These issues may lead to concept drift in real-time/online data streaming, causing the relationship between the input and the target spectra to change over time. Consequently, an ML model designed for one LIBS system may not apply to another. To conquer these challenges, we propose a framework based on transfer learning to use limited experimental data and adapt to the emission line variation in the LIBS streaming. A model is first pre-trained using a large labelled source dataset and then fine-tuned with new experimental measurements to classify soil samples. LIBS measurements are conducted with variations in sample properties and experimental parameters to simulate differences in remote LIBS sensors. The collected spectra are fed into the model by chunks, and data evolution is dynamically learned by self-balanced learning to self-adapt to the domain shift. The proposed framework is found effective in improving classification accuracy during data streaming by implementing transfer learning and supporting adaptation compared to the literature. The code of the proposed method is available in the GitHub at <uri xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">https://github.com/kelci2017/LIBS_streaming</uri> .
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 | 0,001 |
| 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 | 0,001 |
| 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 découle