【要約】Kaggle ROGIIコンペ振り返りー193rd Place Solution [Zenn_Python] | Summary by TechDistill
> Source: Zenn_Python
Execute Primary Source
// Problem
著者は、水平井戸のガンマ線（GR）データと基準となるtypewellのデータを対応付けるタスクにおいて、以下の課題に直面した。
- ・GRの準周期性により、1つの入力に対して複数の対応候補が生じる。
- ・行単位の回帰では、大きな位置のズレ（ドリフト）を制御できない。
- ・評価指標が少数の大きな誤差を持つ坑井に強く依存し、モデル選択を困難にする。
// Approach
著者は、行単位の回帰から、井戸全体を1つのサンプルとして扱う2次元モデルへの転換を図った。
- ・CNN-SDFの実装：GRを2次元画像化し、残差U-NetでSDFを回帰する。
- ・多角的な推論：Multi-scale TTAにより、異なるブロック幅の予測を平均する。
- ・アンサンブル：GR欠損を考慮したマスクモデルを混合し、誤差を分散させる。
- ・検証手法の刷新：坑井単位のhost-cut評価を採用し、リークを防ぐ。
// Result
著者は、CNN-SDFとアンサンブル手法を用いることで、以下の成果を得た。
- ・Privateスコア 8.143を記録し、銀メダル（193位）を獲得した。
- ・従来のGBM（12.048）から大幅な精度向上を実現した。
- ・評価器の設計ミスによるモデル選択の失敗という、実戦的な教訓を得た。
Senior Engineer Insight
> 評価指標の設計がモデル開発の成否を分ける好例だ。外れ値がスコアを支配する環境では、CVの設計に細心の注意を払え。また、画像モデル単体では物理的制約を捉えきれない。実戦投入時は、ドメイン知識を損失関数やアーキテクチャに組み込むべきだ。