面向食品安全应用的光谱学方法：利用主动学习与半监督学习提升数据效率
机器学习
2022-02-07 v4
摘要
过去十年见证了食品科学测量与监测技术的快速发展。在这些技术中，光谱学已被广泛用于食品质量、安全性及营养特性的分析。由于食品体系的复杂性以及缺乏全面的预测模型，用于预测食品体系中复杂特性的快速简便测量手段在很大程度上仍然缺失。机器学习（ML）已展现出提升这些特性分类与预测的极大潜力。然而，为 ML 应用收集大规模数据集的障碍依然存在。本文中，我们探索不同的数据标注与模型训练方法以提升 ML 应用的数据效率。具体而言，我们利用主动学习（AL）与半监督学习（SSL）并考察四种方法：基线被动学习、AL、SSL 以及 AL 与 SSL 的混合。为评估这些方法，我们收集了两个光谱数据集：预测等离子体剂量与检测食源性病原体。实验结果表明，相较于事实上的被动学习方法，AL 与 SSL 方法分别将各 ML 应用所需的标记样本数减少了 50% 与 25%。
引用
@article{arxiv.2110.03765,
title = {Spectroscopy Approaches for Food Safety Applications: Improving Data Efficiency Using Active Learning and Semi-Supervised Learning},
author = {Huanle Zhang and Nicharee Wisuthiphaet and Hemiao Cui and Nitin Nitin and Xin Liu and Qing Zhao},
journal= {arXiv preprint arXiv:2110.03765},
year = {2022}
}