Deep learning algorithms for addressing overfitting and biological realism in tree taper and volume predictions
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».