Evolutionary Architecture Search for Chlorophyll-$a$ Prediction in Lakes using Sentinel-2
Aggiunta all'archivio di AIChronos il (numero del 7 ottobre 2026 ricostruito)· fonte del · Kursat Komurcu, Linas Petkevicius
Lo studio rivisita un classificatore esistente per fioriture algali basato su dati tabulari da Sentinel-2 utilizzando la ricerca architetturale evolutiva. Mantenendo fissi task, feature e split dei dati originali, l'approccio ha migliorato il AUC dal 0.790 al 0.820 riducendo drasticamente i parametri trainabili a 409. La procedura converge su una configurazione specifica con normalizzazione RMS, attivazione tanh e ottimizzatore step-decayed RMSprop che è difficile da ottenere manualmente.
- Miglioramento del AUC dal 79% all'82% rispetto al modello hand-designed di riferimento.
- Riduzione dei parametri trainabili a soli 409, pari a un fattore 26 inferiore rispetto alla baseline più forte.
- L'architettura risultante è compatta (1.6 kB) e adatta per l'esecuzione on-board come trigger di screening.
- La ricerca si concentra esclusivamente sul AUC interno senza considerare altri metriche durante il processo evolutivo.
- Il modello finale utilizza una singola layer stretta con weight averaging e normalizzazione RMS.
Perché conta. Per chi sviluppa sistemi AI locali o agenti con vincoli di risorse, questo paper dimostra come l'automazione della ricerca architetturale possa generare modelli ultra-efficienti adatti all'inference edge senza sacrificare le prestazioni. È un esempio pratico di come tecniche NAS evolutivo possano superare la progettazione manuale per ottenere configurazioni ottimali in spazi complessi.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.