面向数据受限的栽培学应用的高效模型无关不确定性估计方法
机器学习
2025-03-06 v1
摘要
本文提出一种模型无关的方法，用于增强数据受限栽培学应用中不确定性估计，这对于推动栽培学和数字土壤图测学实践具有重要意义。针对土壤研究中典型的数据稀缺挑战，本文提供了一种改进的不确定性估计技术。该方法基于将回归任务转化为分类问题，这不仅能够产生可靠的不确定性估计，还能够应用尚未在栽培学中使用的成熟机器学习算法。来自两处德国农田的数据集结果表明，所提方法具有实际应用价值。我们的研究结果表明，该方法相较于栽培学中常用模型，能够提供更好的不确定性估计。
引用
@article{arxiv.2409.11985,
title = {An Efficient Model-Agnostic Approach for Uncertainty Estimation in Data-Restricted Pedometric Applications},
author = {Viacheslav Barkov and Jonas Schmidinger and Robin Gebbers and Martin Atzmueller},
journal= {arXiv preprint arXiv:2409.11985},
year = {2025}
}
备注
To be published in the proceedings of ICMLA 2024: 23rd International Conference on Machine Learning and Applications