論文の概要: Predicting Yield Performance of Parents in Plant Breeding: A Neural Collaborative Filtering Approach

• arxiv url: http://arxiv.org/abs/2001.09902v2
• Date: Sat, 23 May 2020 00:10:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-06 07:59:29.082037
• Title: Predicting Yield Performance of Parents in Plant Breeding: A Neural Collaborative Filtering Approach
• Title（参考訳）: 植物育種における親の収量予測 : ニューラル・コラボレーティブ・フィルタリングによるアプローチ
• Authors: Saeed Khaki, Zahra Khalilzadeh and Lizhi Wang
• Abstract要約: 親のクロス組み合わせの総数が多ければ多いため, 交配のための最適な親の組み合わせの同定は困難である。 2020年のSyngenta Crop Challengeで、Syngentaは、歴史的収率のパフォーマンスを496人のテスタと593頭の交配の合計の4%に記録した、いくつかの大規模なデータセットをリリースした。 この問題を解決するために,行列分解法とニューラルネットワークのアンサンブルである協調フィルタリング手法を提案する。
• 参考スコア（独自算出の注目度）: 10.347651694994683
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Experimental corn hybrids are created in plant breeding programs by crossing two parents, so-called inbred and tester, together. Identification of best parent combinations for crossing is challenging since the total number of possible cross combinations of parents is large and it is impractical to test all possible cross combinations due to limited resources of time and budget. In the 2020 Syngenta Crop Challenge, Syngenta released several large datasets that recorded the historical yield performances of around 4% of total cross combinations of 593 inbreds with 496 testers which were planted in 280 locations between 2016 and 2018 and asked participants to predict the yield performance of cross combinations of inbreds and testers that have not been planted based on the historical yield data collected from crossing other inbreds and testers. In this paper, we present a collaborative filtering method which is an ensemble of matrix factorization method and neural networks to solve this problem. Our computational results suggested that the proposed model significantly outperformed other models such as LASSO, random forest (RF), and neural networks. Presented method and results were produced within the 2020 Syngenta Crop Challenge.
• Abstract（参考訳）: 実験トウモロコシハイブリッドは、2人の親、いわゆるインブレッドとテスタを一緒に交配することで、植物の育種プログラムで作られる。 親のクロス組み合わせの総数は膨大であり、時間と予算の限られた資源のため、可能なクロス組み合わせのすべてをテストすることは不可能であるため、交差のための最良の親の組み合わせの同定は困難である。 2020年のSyngenta Crop Challengeで、Syngenta氏は、2016年から2018年の間に280箇所に植えられた593のブラインドと496人のテスタの合計クロスの組み合わせの約4%の履歴収率パフォーマンスを記録し、他のブラインドやテスタから収集した履歴収率データに基づいて、植えられていないブラインドとテスタのクロス組み合わせの収率パフォーマンスを予測するよう参加者に求めた。 本稿では,この問題を解決するために,行列分解法とニューラルネットワークを組み合わせた協調フィルタリング法を提案する。 計算結果から,提案モデルがラッソ,ランダムフォレスト(rf),ニューラルネットワークなど他のモデルを大きく上回っていることが示唆された。 提案手法と結果は2020年シンジェンタ・クロップチャレンジで得られた。

関連論文リスト

• PhyloGFN: Phylogenetic inference with generative flow networks [57.104166650526416]
  本稿では,系統学における2つの中核的問題に対処するための生成フローネットワーク(GFlowNets)の枠組みを紹介する。 GFlowNetsは複雑な構造をサンプリングするのに適しているため、木トポロジー上の多重モード後部分布を探索し、サンプリングするのに自然な選択である。 我々は, 実際のベンチマークデータセット上で, 様々な, 高品質な進化仮説を生成できることを実証した。
  論文  参考訳（メタデータ） (2023-10-12T23:46:08Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• Fine-Grained Hard Negative Mining: Generalizing Mitosis Detection with a Fifth of the MIDOG 2022 Dataset [1.2183405753834562]
  ミトーシス領域一般化チャレンジ2022(MIDOG)の深層学習ソリューションについて述べる。 我々のアプローチは、アグレッシブデータ拡張を用いた回転不変深層学習モデルの訓練である。 我々のモデルアンサンブルは、自動評価後の最終テストセットで.697のF1スコアを達成した。
  論文  参考訳（メタデータ） (2023-01-03T13:06:44Z)
• Neural Bandits for Data Mining: Searching for Dangerous Polypharmacy [63.135687276599114]
  一部の多薬局は、不適切とみなされており、死亡や入院などの健康上の有害な結果に関係している可能性がある。 我々は、クレームデータセットを効率的にマイニングし、薬物の組み合わせと健康結果の関係の予測モデルを構築するためのOptimNeuralTS戦略を提案する。 提案手法では,最大72%のPIPを検出でき,平均精度は99%であり,30000タイムステップで検出できる。
  論文  参考訳（メタデータ） (2022-12-10T03:43:23Z)
• Statistical and Computational Phase Transitions in Group Testing [73.55361918807883]
  本研究の目的は、希少な疾患を患っているk人の集団を同定することである。 個々人のテストを割り当てるための2つの異なる単純なランダムな手順を考える。
  論文  参考訳（メタデータ） (2022-06-15T16:38:50Z)
• Rotation Invariance and Extensive Data Augmentation: a strategy for the Mitosis Domain Generalization (MIDOG) Challenge [1.52292571922932]
  我々は,MIDOG 2021コンペティションに参加するための戦略を提示する。 このコンペティションの目的は、目に見えないターゲットスキャナーで取得した画像に対する解の一般化を評価することである。 本稿では,最先端のディープラーニング手法の組み合わせに基づく解を提案する。
  論文  参考訳（メタデータ） (2021-09-02T10:09:02Z)
• Fisher-Pitman permutation tests based on nonparametric Poisson mixtures with application to single cell genomics [13.499399537246003]
  本稿では,未知の混合分布の等価性を評価するためのフィッシャー・ピットマン型変質試験の理論的および経験的性能について検討する。 混合分布の非パラメトリック最大度推定器(NPMLE)上に構築すると、これらの試験はカウントデータの複雑な不特定構造に適応できることが理論的に示されている。
  論文  参考訳（メタデータ） (2021-06-06T03:31:53Z)
• Pollen Grain Microscopic Image Classification Using an Ensemble of Fine-Tuned Deep Convolutional Neural Networks [2.824133171517646]
  花粉の微粒化を4つのカテゴリに分類するためのアンサンブル手法を提案する。 我々は、4つの最先端の微調整畳み込みニューラルネットワークの融合に基づく分類戦略を開発する。 我々は、ICPR 2020 Pollen Grain Classification Challengeトレーニングデータセットで94.48%の精度と重み付きF1スコア94.54%を得る。
  論文  参考訳（メタデータ） (2020-11-15T01:25:46Z)
• A deep learning classifier for local ancestry inference [63.8376359764052]
  局所祖先推論は、個人のゲノムの各セグメントの祖先を特定する。 我々は,エンコーダ・デコーダアーキテクチャを備えた深層畳み込みニューラルネットワークを用いた新しいLAIツールを開発した。 我々は,既存のゴールド標準ツール RFMix とほぼ同等の精度で,ゼロショットタスクとしてアドミキシングを学習できることを実証した。
  論文  参考訳（メタデータ） (2020-11-04T00:42:01Z)
• Improving Maximum Likelihood Training for Text Generation with Density Ratio Estimation [51.091890311312085]
  本稿では,テキスト生成で遭遇する大規模なサンプル空間において,効率よく安定な自動回帰シーケンス生成モデルのトレーニング手法を提案する。 本手法は,品質と多様性の両面で,最大類似度推定や他の最先端シーケンス生成モデルよりも安定に優れている。
  論文  参考訳（メタデータ） (2020-07-12T15:31:24Z)
• Scalable learning for bridging the species gap in image-based plant phenotyping [2.208242292882514]
  ディープラーニング(データ収集、注釈付け、トレーニング)を適用する従来のパラダイムは、イメージベースの植物表現には適用できない。 データコストには、物理的サンプルの育成、イメージングとラベル付けが含まれる。 モデル性能は、各植物種のドメイン間の種間ギャップによって影響を受ける。
  論文  参考訳（メタデータ） (2020-03-24T10:26:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。