Domain Adaptation in LIBS Streaming Using Transfer Learning and Self-Learning for Soil Classification
Notice bibliographique
Résumé
Laser-induced breakdown spectroscopy (LIBS) has become a promising technology for determining the chemical composition of soil samples. The application of machine learning (ML) has accelerated the development of LIBS in soil analysis. However, ML for LIBS is challenging because 1) building robust ML models requires large calibration datasets while LIBS experimental data is typically limited, further limiting data streaming, 2) matrix effects deteriorate LIBS performance, and LIBS data is sensitive to changes in the apparatus, causing emission lines distribution highly variable. These issues may cause concept drift in LIBS streaming and make the relation between the input and the target spectra variable over time, leading to an ML model constructed for one LIBS system becomes less applicable to a different LIBS system. We propose transfer learning to conquer the challenges of limited data. We then use domain adaptation with self-learning to self-adapt to the domain shift in LIBS streaming to alleviate the matrix effects and improve the model generalization. To test the efficiency of the proposed method, we conduct experiments on the same soil samples but with different experiment parameters, such as wavelength and laser energy. The collected spectra are fed into our model in chunks. The EMSLIBS dataset used in the 2019 EMSLIBS competition is utilized to construct the transfer-learning model, which serves as the foundation for the model developed using our experimental data. Following this, self-learning is undertaken for each chunk by repeatedly predicting the current chunk using the model trained by previous chunks and then taking the confident predictions as pseudo-labels for co-training the model. It is shown that the average accuracy is improved by 9% with transfer learning and up to 15% better with transfer learning and self-learning during data streaming compared to an ML model that does not implement transfer learning and support adaption.
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 | 0,000 | 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 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 ».