Deep learning algorithms for addressing overfitting and biological realism in tree taper and volume predictions
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
This study addresses the challenges of overfitting and maintaining biological realism in deep learning algorithms (DLAs), for predicting individual tree taper using stem diameters outside bark (DOB) and total tree volume (TTV). To this end, DLAs were trained using two different approaches: a “hyperparameter-optimized DLA”, which customizes specific hyperparameters such as learning rate and momentum rate, and a “regularization-optimized DLA”, which incorporates optimization techniques like early stopping with root mean square error, L1 and L2 regularization, and dropout. Although obtaining the deterioration in predictive capabilities statistics from the taring dataset to the validation dataset by standard DLA with adaptive learning processes without customizing the hyperparameters and regularization parameters, the hyperparameter-optimized DLA with a momentum of 0.8, and a 7 # hidden layer for the TTV and regularization-optimized DLA with a dropout ratio of 0.000001, a 3 # hidden layer for the DOB demonstrated comparable predictive capabilities statistics across both training and validation datasets with generating biologically plausible predictions. Our results support that these hyperparameter-optimized and regularization-optimized DLAs, by improving the “black-box” nature of artificial intelligence, offer significant potential for enhanced interpretability and performance by improving the problem of overfitting and the violations biological realism in forest biometrics applications.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 découle