提高海藻起源预测准确度:一个TabPFN模型,具有稳定的同位素分析和可解释性技术,以获得强大的洞察力
Xuming Kang1, Yanfang Zhao1, Zhijun Tan2
1Yellow Sea Fisheries Research Institute, Chinese Academy of Fishery Sciences. Key Laboratory of Testing and Evaluation for Aquatic Product Safety and Quality, Ministry of Agriculture and Rural Affairs, Qingdao 266071, China.
Food chemistry
|February 26, 2026
概括
精确的海藻起源预测对于质量控制至关重要. 一个可解释的TabPFN模型使用稳定的同位素数据准确地确定了的起源,比传统方法提供了显著的加快速度.
科学领域:
- 海洋生物学 海洋生物学
- 食品科学 食品科学 食品科学
- 计算化学计算化学
背景情况:
- 藻类原产地可追溯性对于确保食品行业产品质量和安全至关重要.
- 稳定同位素分析提供了一个潜在的方法来确定地理原产地,因为环境因素的区域差异.
- 传统的海藻来源识别方法可能缺乏准确性或效率.
研究的目的:
- 开发和验证一个准确和有效的方法来确定海藻在中国的地理来源.
- 探索鱼中稳定同位素比 (C,N,O,H) 对于起源预测的有用性.
- 为了利用可解释的人工智能来实现可靠的可追溯性.
主要方法:
- 来自中国不同来源的海藻样本被分析到碳,,氧和的稳定同位素比率.
- 一个可解释的TabPFN (表格预测因子化网络) 模型被用于分类.
- 局部可解释的模型不可知解释 (LIME) 用于解释模型预测.
主要成果:
- 碳,和氧的稳定同位素比率显示出显著的区域差异,而则没有.
- TabPFN模型在短短2.5秒内实现了100.0%的准确度,精度,回忆率和F1得分,AUC为1,000.
- 与调整的传统机器学习模型相比,该模型的速度提高了5782倍.
- LIME提供了关于每个同位素对起源预测的贡献的见解.
结论:
- 稳定同位素分析与TabPFN模型相结合,为中国的海藻来源识别提供了一个高度准确和高效的方法.
- 模型的可解释性增强了对预测过程的信任和理解.
- 这种方法为行业的质量和安全管理提供了一个强大的工具.
