Training for the test: Using multi-objective training to improve ANN ensemble forecasts of household residual chlorine in emergencies
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
Ensuring that sufficient free residual chlorine (FRC) persist in drinking water throughout the post-distribution period (collection, transport, and household storage) is critical to keeping drinking water safe in emergencies. Probabilistic models like artificial neural network (ANN) ensemble forecasting systems (EFS) have the potential to reproduce the high variability in post-distribution chlorine decay to generate risk-based chlorination guidance, but training with symmetrical error cost functions like mean squared error leads to poor probabilistic performance. This research proposes multi-objective (MO) training to improve the probabilistic performance of ANN-EFS forecasts of post-distribution FRC. Four MO optimizers were tested with combinations of seven objective functions and evaluated using water quality datasets from five emergency settings. MO training substantially improved probabilistic performance over conventional symmetrical error training. The solution that provided the most consistent improvement used preference-based optimization via backpropagation with the following objectives: similarity of mean, variance, and skew, correlation, recall, and precision. This approach achieved high performance at all sites and outperformed all baseline comparisons. These improved models will help humanitarian responders set informed chlorination targets that ensure water remains safe up to the point-of-consumption. This research highlights the importance of tailoring training approaches in ANN drinking water applications and hydroinformatics more broadly.
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 | 0,000 | 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 découle