An automated deep learning pipeline based on advanced optimisations for leveraging spectral classification modelling
Autor(a) principal: | |
---|---|
Data de Publicação: | 2021 |
Outros Autores: | |
Tipo de documento: | Artigo |
Idioma: | eng |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | http://hdl.handle.net/10400.1/16842 |
Resumo: | Na modelagem de deep learning (DL) para dados espectrais, um grande desafio está relacionado à escolha da arquitetura de rede DL e à seleção dos melhores hiperparmetros. Muitas vezes, pequenas mudanças na arquitetura neural ou seu hiperparômetro podem ter uma influência direta no desempenho do modelo, tornando sua robustez questionável. Para lidar com isso, este estudo apresenta uma modelagem automatizada de aprendizagem profunda baseada em técnicas avançadas de otimização envolvendo hyperband e otimização bayesiana, para encontrar automaticamente a arquitetura neural ideal e seus hiperparmetros para alcançar modelos robustos de DL. A otimização requer uma arquitetura neural base para ser inicializada, no entanto, mais tarde, ajusta automaticamente a arquitetura neural e os hiperparmetros para alcançar o modelo ideal. Além disso, para apoiar a interpretação dos modelos DL, foi implementado um esquema de pesagem de comprimento de onda baseado no mapeamento de ativação de classe ponderada por gradiente (Grad-CAM). O potencial da abordagem foi mostrado em um caso real de classificação da variedade de trigo com dados espectrais quase infravermelhos. O desempenho da classificação foi comparado com o relatado anteriormente no mesmo conjunto de dados com diferentes abordagens DL e quimiométrica. Os resultados mostraram que, com a abordagem proposta, foi alcançada uma precisão de classificação de 94,9%, melhor do que a melhor precisão relatada no mesmo conjunto de dados, ou seja, 93%. Além disso, o melhor desempenho foi obtido com uma arquitetura neural mais simples em comparação com o que foi usado em estudos anteriores. O deep learning automatizado baseado na otimização avançada pode suportar a modelagem DL de dados espectrais. |
id |
RCAP_3561870837bb669d5717fd9f0f91d0bb |
---|---|
oai_identifier_str |
oai:sapientia.ualg.pt:10400.1/16842 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
An automated deep learning pipeline based on advanced optimisations for leveraging spectral classification modellingInteligência artificialEspectroscopiaFenotipagemCulturaNa modelagem de deep learning (DL) para dados espectrais, um grande desafio está relacionado à escolha da arquitetura de rede DL e à seleção dos melhores hiperparmetros. Muitas vezes, pequenas mudanças na arquitetura neural ou seu hiperparômetro podem ter uma influência direta no desempenho do modelo, tornando sua robustez questionável. Para lidar com isso, este estudo apresenta uma modelagem automatizada de aprendizagem profunda baseada em técnicas avançadas de otimização envolvendo hyperband e otimização bayesiana, para encontrar automaticamente a arquitetura neural ideal e seus hiperparmetros para alcançar modelos robustos de DL. A otimização requer uma arquitetura neural base para ser inicializada, no entanto, mais tarde, ajusta automaticamente a arquitetura neural e os hiperparmetros para alcançar o modelo ideal. Além disso, para apoiar a interpretação dos modelos DL, foi implementado um esquema de pesagem de comprimento de onda baseado no mapeamento de ativação de classe ponderada por gradiente (Grad-CAM). O potencial da abordagem foi mostrado em um caso real de classificação da variedade de trigo com dados espectrais quase infravermelhos. O desempenho da classificação foi comparado com o relatado anteriormente no mesmo conjunto de dados com diferentes abordagens DL e quimiométrica. Os resultados mostraram que, com a abordagem proposta, foi alcançada uma precisão de classificação de 94,9%, melhor do que a melhor precisão relatada no mesmo conjunto de dados, ou seja, 93%. Além disso, o melhor desempenho foi obtido com uma arquitetura neural mais simples em comparação com o que foi usado em estudos anteriores. O deep learning automatizado baseado na otimização avançada pode suportar a modelagem DL de dados espectrais.ElsevierSapientiaPassos, DárioMishra, Puneet2021-07-30T10:20:48Z2021-082021-08-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/articleapplication/pdfhttp://hdl.handle.net/10400.1/16842eng10.1016/j.chemolab.2021.1043541873-3239info:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-07-24T10:28:50Zoai:sapientia.ualg.pt:10400.1/16842Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T20:06:53.730700Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse |
dc.title.none.fl_str_mv |
An automated deep learning pipeline based on advanced optimisations for leveraging spectral classification modelling |
title |
An automated deep learning pipeline based on advanced optimisations for leveraging spectral classification modelling |
spellingShingle |
An automated deep learning pipeline based on advanced optimisations for leveraging spectral classification modelling Passos, Dário Inteligência artificial Espectroscopia Fenotipagem Cultura |
title_short |
An automated deep learning pipeline based on advanced optimisations for leveraging spectral classification modelling |
title_full |
An automated deep learning pipeline based on advanced optimisations for leveraging spectral classification modelling |
title_fullStr |
An automated deep learning pipeline based on advanced optimisations for leveraging spectral classification modelling |
title_full_unstemmed |
An automated deep learning pipeline based on advanced optimisations for leveraging spectral classification modelling |
title_sort |
An automated deep learning pipeline based on advanced optimisations for leveraging spectral classification modelling |
author |
Passos, Dário |
author_facet |
Passos, Dário Mishra, Puneet |
author_role |
author |
author2 |
Mishra, Puneet |
author2_role |
author |
dc.contributor.none.fl_str_mv |
Sapientia |
dc.contributor.author.fl_str_mv |
Passos, Dário Mishra, Puneet |
dc.subject.por.fl_str_mv |
Inteligência artificial Espectroscopia Fenotipagem Cultura |
topic |
Inteligência artificial Espectroscopia Fenotipagem Cultura |
description |
Na modelagem de deep learning (DL) para dados espectrais, um grande desafio está relacionado à escolha da arquitetura de rede DL e à seleção dos melhores hiperparmetros. Muitas vezes, pequenas mudanças na arquitetura neural ou seu hiperparômetro podem ter uma influência direta no desempenho do modelo, tornando sua robustez questionável. Para lidar com isso, este estudo apresenta uma modelagem automatizada de aprendizagem profunda baseada em técnicas avançadas de otimização envolvendo hyperband e otimização bayesiana, para encontrar automaticamente a arquitetura neural ideal e seus hiperparmetros para alcançar modelos robustos de DL. A otimização requer uma arquitetura neural base para ser inicializada, no entanto, mais tarde, ajusta automaticamente a arquitetura neural e os hiperparmetros para alcançar o modelo ideal. Além disso, para apoiar a interpretação dos modelos DL, foi implementado um esquema de pesagem de comprimento de onda baseado no mapeamento de ativação de classe ponderada por gradiente (Grad-CAM). O potencial da abordagem foi mostrado em um caso real de classificação da variedade de trigo com dados espectrais quase infravermelhos. O desempenho da classificação foi comparado com o relatado anteriormente no mesmo conjunto de dados com diferentes abordagens DL e quimiométrica. Os resultados mostraram que, com a abordagem proposta, foi alcançada uma precisão de classificação de 94,9%, melhor do que a melhor precisão relatada no mesmo conjunto de dados, ou seja, 93%. Além disso, o melhor desempenho foi obtido com uma arquitetura neural mais simples em comparação com o que foi usado em estudos anteriores. O deep learning automatizado baseado na otimização avançada pode suportar a modelagem DL de dados espectrais. |
publishDate |
2021 |
dc.date.none.fl_str_mv |
2021-07-30T10:20:48Z 2021-08 2021-08-01T00:00:00Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10400.1/16842 |
url |
http://hdl.handle.net/10400.1/16842 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.relation.none.fl_str_mv |
10.1016/j.chemolab.2021.104354 1873-3239 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Elsevier |
publisher.none.fl_str_mv |
Elsevier |
dc.source.none.fl_str_mv |
reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação instacron:RCAAP |
instname_str |
Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
instacron_str |
RCAAP |
institution |
RCAAP |
reponame_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
collection |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository.name.fl_str_mv |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
repository.mail.fl_str_mv |
|
_version_ |
1799133312312147968 |