Enhancing Few-Shot Prediction of Ocean Sound Speed Profiles through Hierarchical Long Short-Term Memory Transfer Learning
Notice bibliographique
Résumé
The distribution of ocean sound speed profiles (SSPs) profoundly influences the design of underwater acoustic communication and positioning systems. Conventional methods for measuring sound speed by instruments entail high time costs, while sound speed inversion methods offer rapid estimation of SSPs. However, these methods heavily rely on sonar observational data and lack the capacity to swiftly estimate SSPs in arbitrary oceanic regions, particularly in scenarios with few-shot data. Precisely estimating non-cooperative maritime SSPs under such conditions poses a significant challenge. To explore temporal distribution patterns of sound speed and achieve precise SSP predictions with limited data, we propose a hierarchical long short-term memory transfer learning (H-LSTM-TL) framework. The core idea involves pre-training the base model on extensive public datasets, transferring the acquired knowledge to task models, and fine-tuning the task model on few-shot data to predict future SSPs. Through H-LSTM-TL, it accelerates model convergence, enhances sensitivity to few-shot input data, alleviates overfitting issues, and notably improves the accuracy of SSP predictions. Experimental results demonstrate that the H-LSTM-TL model exhibits strong generalization capabilities in few-shot data scenarios, effectively reducing overfitting problems and proving its applicability for rapid prediction of SSPs.
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 | 0,002 | 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 | 0,001 |
| 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 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 ».