Fugu-MT 論文翻訳(概要): DeepAg: Deep Learning Approach for Measuring the Effects of Outlier Events on Agricultural Production and Policy

論文の概要: DeepAg: Deep Learning Approach for Measuring the Effects of Outlier Events on Agricultural Production and Policy

arxiv url: http://arxiv.org/abs/2110.12062v1
Date: Fri, 22 Oct 2021 20:55:33 GMT
ステータス: 処理完了
システム内更新日: 2021-11-01 02:00:39.467109
Title: DeepAg: Deep Learning Approach for Measuring the Effects of Outlier Events on Agricultural Production and Policy
Title（参考訳）: DeepAg:農業生産と政策における外部イベントの効果測定のためのディープラーニングアプローチ
Authors: Sai Gurrapu, Feras A. Batarseh, Pei Wang, Md Nazmul Kabir Sikder, Nitish Gorentala, Gopinath Munisamy
Abstract要約: 我々は,econometricsを用いた新しいフレームワーク,すなわちDeepAgを提案し,Deep Learning (DL) を用いた異常事象検出の効果を測定した。我々は,Long Short-Term Memory(LSTM)ネットワークと呼ばれるDL技術を用いて商品生産を高精度に予測する。本稿では,公共政策に対するDeepAgの影響,政策立案者や農家への洞察,農業生態系における経営決定について述べる。
参考スコア（独自算出の注目度）: 4.800161917503703
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Quantitative metrics that measure the global economy's equilibrium have strong and interdependent relationships with the agricultural supply chain and international trade flows. Sudden shocks in these processes caused by outlier events such as trade wars, pandemics, or weather can have complex effects on the global economy. In this paper, we propose a novel framework, namely: DeepAg, that employs econometrics and measures the effects of outlier events detection using Deep Learning (DL) to determine relationships between commonplace financial indices (such as the DowJones), and the production values of agricultural commodities (such as Cheese and Milk). We employed a DL technique called Long Short-Term Memory (LSTM) networks successfully to predict commodity production with high accuracy and also present five popular models (regression and boosting) as baselines to measure the effects of outlier events. The results indicate that DeepAg with outliers' considerations (using Isolation Forests) outperforms baseline models, as well as the same model without outliers detection. Outlier events make a considerable impact when predicting commodity production with respect to financial indices. Moreover, we present the implications of DeepAg on public policy, provide insights for policymakers and farmers, and for operational decisions in the agricultural ecosystem. Data are collected, models developed, and the results are recorded and presented.
Abstract（参考訳）: 世界経済の均衡を計測する定量的指標は、農業サプライチェーンや国際貿易フローと強く相互依存関係にある。貿易戦争、パンデミック、天候などの不況によって引き起こされたこれらのプロセスの急激なショックは、世界経済に複雑な影響を及ぼす可能性がある。本稿では,DeepAgという新しいフレームワークを提案する。DeepAgは,Deep Learning(DL)を用いて,一般的な金融指標(DowJonesなど)と農業商品(CheeseやMilkなど)の生産価値の関係を判定するために,econometricsを使用し,外部イベント検出の効果を測定する。我々は,Long Short-Term Memory(LSTM)ネットワークと呼ばれるDL技術を用いて,商品生産を高精度に予測し,また,外来イベントの効果を測定するためのベースラインとして5つの人気モデル(回帰とブースティング)を提示した。以上の結果から,(孤立林を用いた)アウトリーチを考慮したDeepAgはベースラインモデルよりも優れており,アウトリーチ検出を行なわないモデルも優れていることが示唆された。アウトリーチイベントは、金融指標に関して商品生産を予測する際に大きな影響を与える。さらに,公共政策に対するDeepAgの影響,政策立案者や農家への洞察,農業生態系における経営決定について述べる。データは収集され、モデルが開発され、結果が記録され、提示される。

関連論文リスト

Anticipatory Understanding of Resilient Agriculture to Climate [66.008020515555]
本稿では,リモートセンシング,深層学習,作物収量モデリング,食品流通システムの因果モデリングを組み合わせることで,食品のセキュリティホットスポットをよりよく識別する枠組みを提案する。我々は、世界の人口の大部分を供給している北インドの小麦パンバスケットの分析に焦点をあてる。
論文参考訳（メタデータ） (2024-11-07T22:29:05Z)
Causal machine learning for sustainable agroecosystems [10.052864559362254]
予測機械学習(ML)は、収量予測や天気予報といった応用のために持続可能な農業に活用されている。本稿では,MLのデータ処理と因果関係を融合した因果関係MLを提案する。農家、政策立案者、研究者など、アグリフードチェーン全体の利害関係者に利益をもたらす8つの多様なアプリケーションを通じて因果MLを紹介します。
論文参考訳（メタデータ） (2024-08-23T15:25:50Z)
Variable-Agnostic Causal Exploration for Reinforcement Learning [56.52768265734155]
強化学習のための新しいフレームワークVACERL(Variable-Agnostic Causal Exploration for Reinforcement Learning)を導入する。本手法は,注目機構を用いて,重要変数に関連する重要な観測行動ステップを自動的に同定する。これらのステップを接続する因果グラフを構築し、エージェントをタスク完了に対する因果的影響の大きい観察-作用ペアへと導く。
論文参考訳（メタデータ） (2024-07-17T09:45:27Z)
When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments [55.19252983108372]
LLMによって駆動される、StockAgentと呼ばれるマルチエージェントAIシステムを開発した。 StockAgentを使えば、ユーザーはさまざまな外部要因が投資家取引に与える影響を評価することができる。 AIエージェントに基づく既存のトレーディングシミュレーションシステムに存在するテストセットのリーク問題を回避する。
論文参考訳（メタデータ） (2024-07-15T06:49:30Z)
F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文参考訳（メタデータ） (2024-06-23T21:28:50Z)
Recent applications of machine learning, remote sensing, and iot approaches in yield prediction: a critical review [0.0]
農業におけるリモートセンシングと機械学習の統合は、業界を変えつつある。本稿では、作物収量予測にRS、ML、クラウドコンピューティング、IoTを使用した関連記事についてレビューする。
論文参考訳（メタデータ） (2023-06-07T16:13:16Z)
Using interpretable boosting algorithms for modeling environmental and agricultural data [0.0]
本稿では,高次元環境データの解析に解釈可能なブースティングアルゴリズムを用いる方法について述べる。提案手法は, 群構造をどう考えるか, 相互作用が高次元データセットでどのように見られるのかを, 新たな2段階ブースティング手法を用いて示すものである。
論文参考訳（メタデータ） (2023-05-04T10:16:11Z)
Evaluating Digital Agriculture Recommendations with Causal Inference [0.9213852038999553]
本稿では,デジタルツールが農業成績指標に与える影響を実証的に評価するための観察因果推論フレームワークを提案する。ケーススタディとして,数値気象予測に基づく綿の最適播種時間推薦システムの設計と実装を行った。バックドア基準を用いて, 播種勧告が収量に与える影響を同定し, 線形回帰, マッチング, 逆確率スコア重み付け, メタラーナーを用いて推定した。
論文参考訳（メタデータ） (2022-11-30T12:20:08Z)
Public Policymaking for International Agricultural Trade using Association Rules and Ensemble Machine Learning [0.0]
自由貿易体制、特に主要経済間の貿易紛争に対する近年の衝撃は、政策決定を伝えるための予測の改善の必要性を高めている。我々は、国際的に取引された食料・農業商品を予測し、関連付ける新しい方法を提案する。
論文参考訳（メタデータ） (2021-11-15T02:58:03Z)
REST: Relational Event-driven Stock Trend Forecasting [76.08435590771357]
既存の手法の欠点に対処するために,rest(relational event-driven stock trend forecasting)フレームワークを提案する。第1の欠点を是正するため,我々は,株価の文脈をモデル化し,異なる状況下での株価に対する事象情報の影響を学ぶことを提案する。第2の欠点に対処するために,ストックグラフを構築し,関連する株からイベント情報の影響を伝達する新しい伝播層を設計する。
論文参考訳（メタデータ） (2021-02-15T07:22:09Z)
Learning from Data to Optimize Control in Precision Farming [77.34726150561087]
特集は、統計的推論、機械学習、精密農業のための最適制御における最新の発展を示す。衛星の位置決めとナビゲーションとそれに続くInternet-of-Thingsは、リアルタイムで農業プロセスの最適化に使用できる膨大な情報を生成する。
論文参考訳（メタデータ） (2020-07-07T12:44:17Z)

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。