論文の概要: Seed Stocking Via Multi-Task Learning
- arxiv url: http://arxiv.org/abs/2101.04333v1
- Date: Tue, 12 Jan 2021 07:26:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-04 01:41:27.097502
- Title: Seed Stocking Via Multi-Task Learning
- Title（参考訳）: マルチタスク学習によるシードストッキング
- Authors: Yunhe Feng and Wenjun Zhou
- Abstract要約: 作物種子の販売者は、少なくとも1年は在庫する種子の種類や量を計画する必要がある。
天候の予測不能を考えると、農家は高い収量と低いリスクのバランスをとる決定を下さなければならない。
種子ベンダーは、農家のニーズを予測し、それらを準備する必要があります。
- 参考スコア（独自算出の注目度）: 4.198742468051408
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sellers of crop seeds need to plan for the variety and quantity of seeds to
stock at least a year in advance. There are a large number of seed varieties of
one crop, and each can perform best under different growing conditions. Given
the unpredictability of weather, farmers need to make decisions that balance
high yield and low risk. A seed vendor needs to be able to anticipate the needs
of farmers and have them ready. In this study, we propose an analytical
framework for estimating seed demand with three major steps. First, we will
estimate the yield and risk of each variety as if they were planted at each
location. Since past experiments performed with different seed varieties are
highly unbalanced across varieties, and the combination of growing conditions
is sparse, we employ multi-task learning to borrow information from similar
varieties. Second, we will determine the best mix of seeds for each location by
seeking a tradeoff between yield and risk. Third, we will aggregate such mix
and pick the top five varieties to re-balance the yield and risk for each
growing location. We find that multi-task learning provides a viable solution
for yield prediction, and our overall analytical framework has resulted in a
good performance.
- Abstract（参考訳）: 作物種子の販売者は、少なくとも1年は在庫する種子の種類や量を計画する必要がある。
1つの作物には多数の種子品種があり、それぞれが異なる生育条件下で最高の性能を発揮できる。
天候の予測不能を考えると、農家は高い収量と低いリスクのバランスをとる決定を下さなければならない。
種子ベンダーは、農家のニーズを予想し、それらを準備する必要がある。
本研究では,3つの主要なステップで種子需要を推定するための分析フレームワークを提案する。
まず、各品種の収量とリスクを、あたかもそれぞれの場所に植えられたかのように見積もる。
異なる種種を用いた過去の実験は品種間で非常に不均衡であり, 生育条件の組合せは少ないため, 類似品種の情報を借りるためにマルチタスク学習を採用している。
第2に,収量とリスクのトレードオフを求めることにより,各地の種子のベストミックスを決定する。
第3に,このようなミックスを集約して,成長する各場所の収量とリスクを再バランスさせるために,上位5品種を選択します。
マルチタスク学習は収率予測に有効なソリューションであり、全体的な分析フレームワークは優れたパフォーマンスをもたらしています。
関連論文リスト
- Generalizing to any diverse distribution: uniformity, gentle finetuning and rebalancing [55.791818510796645]
我々は,訓練データから大きく逸脱した場合でも,様々なテスト分布によく適応するモデルを開発することを目的としている。
ドメイン適応、ドメイン一般化、ロバスト最適化といった様々なアプローチは、アウト・オブ・ディストリビューションの課題に対処しようと試みている。
我々は、既知のドメイン内の十分に多様なテスト分布にまたがる最悪のケースエラーを考慮することで、より保守的な視点を採用する。
論文 参考訳（メタデータ） (2024-10-08T12:26:48Z) - Artificial Immune System of Secure Face Recognition Against Adversarial Attacks [67.31542713498627]
昆虫生産には 最大限の可能性を実現するために 最適化が必要です
これは選択的育種による興味のある形質の改善が目的である。
このレビューは、様々な分野の知識と、動物の繁殖、定量的遺伝学、進化生物学、昆虫学のギャップを埋めるものである。
論文 参考訳（メタデータ） (2024-06-26T07:50:58Z) - Multispectral Fine-Grained Classification of Blackgrass in Wheat and Barley Crops [2.580056799681784]
ブラックグラス(Blackgrass)は、ヨーロッパ北西部の穀物に特に問題を引き起こす草の雑草である。
マシンビジョンとマルチスペクトルイメージングを用いて,黒草を識別するための最先端手法の有効性について検討した。
論文 参考訳（メタデータ） (2024-05-03T16:23:41Z) - Generating Diverse Agricultural Data for Vision-Based Farming Applications [74.79409721178489]
このモデルは, 植物の成長段階, 土壌条件の多様性, 照明条件の異なるランダム化フィールド配置をシミュレートすることができる。
我々のデータセットにはセマンティックラベル付き12,000の画像が含まれており、精密農業におけるコンピュータビジョンタスクの包括的なリソースを提供する。
論文 参考訳（メタデータ） (2024-03-27T08:42:47Z) - Multi-Task Learning for Budbreak Prediction [18.329763523260624]
本研究は,複数品種のブドウ品種を対象としたデータを用いて,ブドブレイク予測のための深層学習について検討する。
この問題に対処するために,全品種にまたがるデータを組み合わせて個々の品種の予測を行うマルチタスク学習について検討する。
本研究の主目的は,複数種類のマルチタスク学習が,各品種の学習と独立して比較して,予測精度を大幅に向上できることである。
論文 参考訳（メタデータ） (2023-01-04T20:28:17Z) - Fruit Ripeness Classification: a Survey [59.11160990637616]
食品を格付けするための特徴記述子を多用する多くの自動的手法が提案されている。
機械学習とディープラーニング技術がトップパフォーマンスの手法を支配している。
ディープラーニングは生のデータで操作できるため、複雑なエンジニアリング機能を計算する必要がなくなる。
論文 参考訳（メタデータ） (2022-12-29T19:32:20Z) - Grape Cold Hardiness Prediction via Multi-Task Learning [18.979780350924635]
秋から春にかけての低温は、ブドウや他の果実植物に凍害をもたらす可能性がある。
農家は、スプリンクラー、ヒーター、風車などの高価な凍害対策を展開し、損傷が生じる可能性があると判断する。
研究者らは、厳しいフィールド計測データに基づいて、異なるブドウ品種に調整できる冷硬度予測モデルを開発した。
論文 参考訳（メタデータ） (2022-09-21T18:18:52Z) - MetaRF: Differentiable Random Forest for Reaction Yield Prediction with
a Few Trails [58.47364143304643]
本稿では,反応収率予測問題に焦点をあてる。
筆者らはまず,数発の収量予測のために特別に設計された,注意に基づく識別可能なランダム森林モデルであるMetaRFを紹介した。
数発の学習性能を改善するために,さらに次元還元に基づくサンプリング手法を導入する。
論文 参考訳（メタデータ） (2022-08-22T06:40:13Z) - Risk-averse Stochastic Optimization for Farm Management Practices and
Cultivar Selection Under Uncertainty [8.427937898153779]
目的プログラミング関数における条件付き値-リスクを用いた不確実性の下で最適化フレームワークを開発する。
ケーススタディとして、USコーンベルトの25箇所に作物モデルを構築しました。
その結果,提案モデルが気象と最適決定との間に有意な関係を生じさせることが示唆された。
論文 参考訳（メタデータ） (2022-07-17T01:14:43Z) - Mulberry Leaf Yield Prediction Using Machine Learning Techniques [0.0]
インドはムルベリーの葉を大量に生産し、生の絹を生産する。
ほとんどの農家は、葉が栄養不良になるため、土壌の性質や無生物的な要因にほとんど注意を払わない。
農夫は、自分の土地が生産できる収量を知ることで、事前に計画できることが有益である。
論文 参考訳（メタデータ） (2021-09-30T09:50:06Z) - Fine-Tuning Pretrained Language Models: Weight Initializations, Data
Orders, and Early Stopping [62.78338049381917]
教師付き下流タスクのための微調整済み文脈単語埋め込みモデルは、自然言語処理において一般的なものとなっている。
GLUEベンチマークから得られた4つのデータセットを実験し、無作為な種だけを変えながら、それぞれに数百回微調整されたBERTを実験した。
これまでに報告した結果と比較すると,性能が大幅に向上し,微調整試行回数の関数としてベストファウンドモデルの性能がどう変化するかが定量化される。
論文 参考訳（メタデータ） (2020-02-15T02:40:10Z)
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。