Adaptive Learning with Logistic Regression for soil classification with LIBS
Notice bibliographique
Résumé
Laser-induced breakdown spectroscopy (LIBS) presents a promising avenue for real-time soil characterization, particularly with the integration of machine learning (ML) techniques to enhance its detection capabilities. However, the variability in soil matrix properties can lead to discrepancies in LIBS emission lines, challenging traditional ML algorithms that assume consistent distributions between training and test spectra. To address this challenge, we propose a novel domain adaptation approach leveraging logistic regression with class and pseudo-label weighting. We categorize classes based on transfer difficulties into hard, normal, and easy categories. Hard classes, with low predictive proportions due to misclassification, are assigned higher weights. In contrast, lower weights are assigned to easy classes to mitigate transfer imbalances. Furthermore, we introduce weighted pseudo-labels from hard classes misclassified into similar classes, obtained through few-shot learning based on similarity, to be incorporated into co-training alongside source-labeled samples. It refines the logistic regression model and boosts the test performance of hard classes. To highlight the effectiveness of the proposed method, it is tested with the Euro-Mediterranean Symposium on LIBS (EMSLIBS) contest dataset and compared against literature methods, including data calibration, adversarial training, and self-learning. Notably, our method outperforms these methods, achieving an impressive accuracy of 91.3%.
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 ».