Fugu-MT 論文翻訳(概要): Corn Yield Prediction with Ensemble CNN-DNN

論文の概要: Corn Yield Prediction with Ensemble CNN-DNN

arxiv url: http://arxiv.org/abs/2105.14351v1
Date: Sat, 29 May 2021 18:25:07 GMT
ステータス: 処理完了
システム内更新日: 2021-06-05 14:32:36.070036
Title: Corn Yield Prediction with Ensemble CNN-DNN
Title（参考訳）: エンサンブルCNN-DNNによるトウモロコシ収量予測
Authors: Mohsen Shahhosseini, Guiping Hu, Saeed Khaki, Sotirios V. Archontoulis
Abstract要約: アンサンブル生成のシナリオは、ホモジネティックとヘテロジニアスアンサンブルの2つと考えられている。異質なアンサンブルは、アメリカのコーンベルト州全体で最も正確な収量予測を提供する。このモデルにより、2019年の収率予測は866 kg/haで、相対的な根平均平方数8.5%に相当する。
参考スコア（独自算出の注目度）: 2.580765958706854
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: We investigate the predictive performance of two novel CNN-DNN machine learning ensemble models in predicting county-level corn yields across the US Corn Belt (12 states). The developed data set is a combination of management, environment, and historical corn yields from 1980-2019. Two scenarios for ensemble creation are considered: homogenous and heterogeneous ensembles. In homogenous ensembles, the base CNN-DNN models are all the same, but they are generated with a bagging procedure to ensure they exhibit a certain level of diversity. Heterogenous ensembles are created from different base CNN-DNN models which share the same architecture but have different levels of depth. Three types of ensemble creation methods were used to create several ensembles for either of the scenarios: Basic Ensemble Method (BEM), Generalized Ensemble Method (GEM), and stacked generalized ensembles. Results indicated that both designed ensemble types (heterogenous and homogenous) outperform the ensembles created from five individual ML models (linear regression, LASSO, random forest, XGBoost, and LightGBM). Furthermore, by introducing improvements over the heterogeneous ensembles, the homogenous ensembles provide the most accurate yield predictions across US Corn Belt states. This model could make 2019 yield predictions with a root mean square error of 866 kg/ha, equivalent to 8.5% relative root mean square, and could successfully explain about 77% of the spatio-temporal variation in the corn grain yields. The significant predictive power of this model can be leveraged for designing a reliable tool for corn yield prediction which will, in turn, assist agronomic decision-makers.
Abstract（参考訳）: コーンベルト(12州)における郡レベルのトウモロコシ収量予測における2つの新しいCNN-DNN機械学習アンサンブルモデルの予測性能について検討した。開発されたデータセットは、1980-2019年の管理、環境、および歴史的トウモロコシの収量の組み合わせである。アンサンブル生成の2つのシナリオ:同種および異種アンサンブル。均質なアンサンブルでは、ベースとなるCNN-DNNモデルは全て同じであるが、特定のレベルの多様性を示すために、バッジ手順で生成される。異種アンサンブルは、同じアーキテクチャを共有するが深さのレベルが異なる異なるCNN-DNNモデルから作られる。 BEM(Basic Ensemble Method)、GEM(Generalized Ensemble Method)、GEM(Stacked Generalized Ensemble Method)の3種類のアンサンブル生成手法を用いて、どちらのシナリオでも複数のアンサンブルを生成する。その結果,5種類のMLモデル(線形回帰,LASSO,ランダムフォレスト,XGBoost,LightGBM)のアンサンブルは,設計したアンサンブルタイプ(ヘテロジニカル,ホモジニカル)ともに優れていた。さらに、異種アンサンブルの改良を導入することで、同種アンサンブルはUSコーンベルト州全体で最も正確な収量予測を提供する。このモデルにより、2019年の収率予測は866 kg/haで、8.5%の相対的な根平均二乗に相当し、トウモロコシの収率の時空間変動の約77%をうまく説明できる。このモデルのかなりの予測力は、トウモロコシの収量予測のための信頼性の高いツールを設計するために利用することができる。

関連論文リスト

Dynamic Post-Hoc Neural Ensemblers [55.15643209328513]
本研究では,ニューラルネットワークをアンサンブル手法として活用することを検討する。低多様性のアンサンブルを学習するリスクを動機として,ベースモデル予測をランダムにドロップすることでモデルの正規化を提案する。このアプローチはアンサンブル内の多様性を低くし、オーバーフィッティングを減らし、一般化能力を向上させる。
論文参考訳（メタデータ） (2024-10-06T15:25:39Z)
Learning Bayesian Networks with Heterogeneous Agronomic Data Sets via Mixed-Effect Models and Hierarchical Clustering [0.0]
2021年現在、トウモロコシはサハラ以南のアフリカ、アジア、ラテンアメリカで1億9700万ヘクタールを占める。混合効果モデル、ランダム係数モデル、ランダム森林、ディープラーニングアーキテクチャなど、さまざまな統計的および機械学習モデルが、トウモロコシの収量を予測するために考案されている。本研究では,無作為な効果をベイズネットワーク(BN)に統合し,その能力を利用して有向非巡回グラフによる因果関係と確率関係をモデル化する。
論文参考訳（メタデータ） (2023-08-11T21:46:45Z)
Learning with MISELBO: The Mixture Cookbook [62.75516608080322]
本稿では,VampPriorとPixelCNNデコーダネットワークを用いて,フローベース階層型変分オートエンコーダ(VAE)の正規化のための変分近似を初めて提案する。我々は、この協調行動について、VIと適応的重要度サンプリングの新たな関係を描いて説明する。我々は、MNISTおよびFashionMNISTデータセット上の負のログ類似度の観点から、VAEアーキテクチャの最先端結果を得る。
論文参考訳（メタデータ） (2022-09-30T15:01:35Z)
Expressivity of Hidden Markov Chains vs. Recurrent Neural Networks from a system theoretic viewpoint [0.0]
まず,Hydden Markov Chains (HMC) と Recurrent Neural Networks (RNN) を生成モデルとみなす。両構造を共通生成統一モデル(GUM)に組み込む。
論文参考訳（メタデータ） (2022-08-17T09:23:41Z)
Ensemble Learning-Based Approach for Improving Generalization Capability of Machine Reading Comprehension Systems [0.7614628596146599]
機械読み取り(MRC)は、近年、多くの開発が成功した自然言語処理の活発な分野である。分布精度が高いにもかかわらず、これらのモデルには2つの問題がある。本稿では,大規模モデルを再学習することなく,MCCシステムの一般化を改善するためのアンサンブル学習手法の効果について検討する。
論文参考訳（メタデータ） (2021-07-01T11:11:17Z)
A Twin Neural Model for Uplift [59.38563723706796]
Upliftは条件付き治療効果モデリングの特定のケースです。相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
論文参考訳（メタデータ） (2021-05-11T16:02:39Z)
Cauchy-Schwarz Regularized Autoencoder [68.80569889599434]
変分オートエンコーダ(VAE)は、強力で広く使われている生成モデルのクラスである。 GMMに対して解析的に計算できるCauchy-Schwarz分散に基づく新しい制約対象を導入する。本研究の目的は,密度推定,教師なしクラスタリング,半教師なし学習,顔分析における変分自動エンコーディングモデルの改善である。
論文参考訳（メタデータ） (2021-01-06T17:36:26Z)
Re-purposing Heterogeneous Generative Ensembles with Evolutionary Computation [8.198369743955528]
機械学習では、予測器のアンサンブルは多くのタスクに対して単一の予測器よりも優れた結果を示す。本研究では、2つの進化的アルゴリズムを応用して、再目的生成モデルにアンサンブルを生成する。 MNIST画像ベンチマークの実験解析により、両方のEAアンサンブル生成法がモデルを再使用できることが示されている。
論文参考訳（メタデータ） (2020-03-30T15:04:40Z)
On the Discrepancy between Density Estimation and Sequence Generation [92.70116082182076]
log-likelihoodは、同じファミリー内のモデルを考えるとき、BLEUと非常に相関している。異なる家族間でのモデルランキングの相関はみられない。
論文参考訳（メタデータ） (2020-02-17T20:13:35Z)
Forecasting Corn Yield with Machine Learning Ensembles [2.9005223064604078]
本稿では,米コーンベルト州3州(イリノイ州,インディアナ州,アイオワ州)でトウモロコシの収量を予測するための機械学習ベースのフレームワークを提供する。いくつかのアンサンブルモデルは、ブロックされたシーケンシャルプロシージャを使用して、バッグ外予測を生成する。その結果,基本学習者の重み付き平均に基づくアンサンブルモデルは,個々のモデルよりも優れていた。
論文参考訳（メタデータ） (2020-01-18T03:55:20Z)
AvgOut: A Simple Output-Probability Measure to Eliminate Dull Responses [97.50616524350123]
機能エンジニアリングなしで、どの発話やトークンが退屈であるかを動的に認識する対話モデルを構築します。最初のモデルMinAvgOutは、各バッチの出力分布を通して、ダイバーシティスコアを直接最大化する。第2のモデルであるラベルファインチューニング(LFT)は、多様性スコアによって連続的にスケールされたラベルをソースシーケンスにプリペイドし、多様性レベルを制御する。 3つ目のモデルであるRLは強化学習を採用し、多様性スコアを報奨信号として扱う。
論文参考訳（メタデータ） (2020-01-15T18:32:06Z)

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。