Fugu-MT 論文翻訳(概要): Combining expert knowledge and neural networks to model environmental stresses in agriculture

論文の概要: Combining expert knowledge and neural networks to model environmental stresses in agriculture

arxiv url: http://arxiv.org/abs/2111.00918v1
Date: Tue, 26 Oct 2021 21:32:49 GMT
ステータス: 処理完了
システム内更新日: 2021-11-07 13:01:30.048270
Title: Combining expert knowledge and neural networks to model environmental stresses in agriculture
Title（参考訳）: 農業における環境ストレスをモデル化するためのエキスパート知識とニューラルネットワークの組み合わせ
Authors: Kostadin Cvejoski, Jannis Schuecker, Anne-Katrin Mahlein, Bogdan Georgiev
Abstract要約: まず、ベンチマークとして機能する決定論的専門家モデルを設計し、フレキシブルニューラルネットワークアーキテクチャの設計を通知する。最後に、後者の感度分析により、ハイブリッドのクラスタリングを感受性と耐性のあるものにすることができる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this work we combine representation learning capabilities of neural network with agricultural knowledge from experts to model environmental heat and drought stresses. We first design deterministic expert models which serve as a benchmark and inform the design of flexible neural-network architectures. Finally, a sensitivity analysis of the latter allows a clustering of hybrids into susceptible and resistant ones.
Abstract（参考訳）: 本研究では,ニューラルネットワークの表現学習能力を専門家の農業知識と組み合わせ,環境熱と干ばつストレスをモデル化する。まず、ベンチマークとして機能する決定論的エキスパートモデルを設計し、柔軟なニューラルネットワークアーキテクチャの設計を知らせる。最後に、後者の感度分析により、ハイブリッドを感受性および耐性のあるものにクラスタリングすることができる。

関連論文リスト

Deep Learning Through A Telescoping Lens: A Simple Model Provides Empirical Insights On Grokking, Gradient Boosting & Beyond [61.18736646013446]
その驚くべき振る舞いをより深く理解するために、トレーニングされたニューラルネットワークの単純かつ正確なモデルの有用性について検討する。 3つのケーススタディで、様々な顕著な現象に関する新しい経験的洞察を導き出すためにどのように適用できるかを説明します。
論文参考訳（メタデータ） (2024-10-31T22:54:34Z)
Contrastive Learning in Memristor-based Neuromorphic Systems [55.11642177631929]
スパイクニューラルネットワークは、現代のバックプロパゲーションによって訓練されたディープネットワークに直面する重要な制約の多くを横取りする、ニューロンベースのモデルの重要なファミリーとなっている。本研究では,前向き・後向き学習のニューロモルフィック形式であるコントラッシブ・シグナル依存型塑性(CSDP)の概念実証を設計し,検討する。
論文参考訳（メタデータ） (2024-09-17T04:48:45Z)
Pruning neural network models for gene regulatory dynamics using data and domain knowledge [24.670514977455202]
本稿では,モデルフィッティングにおけるドメイン固有構造情報を用いてネットワークプルーニングをガイドするフレームワークであるDASHを提案する。 DASHは、遺伝子相互作用パートナーに関する知識を用いて、一般的な刈り取り法よりも大きなマージンで優れていることを示す。
論文参考訳（メタデータ） (2024-03-05T23:02:55Z)
Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
論文参考訳（メタデータ） (2023-03-30T02:40:28Z)
Persistence-based operators in machine learning [62.997667081978825]
永続性に基づくニューラルネットワークレイヤのクラスを導入します。永続化ベースのレイヤにより、ユーザは、データによって尊重される対称性に関する知識を容易に注入でき、学習可能なウェイトを備え、最先端のニューラルネットワークアーキテクチャで構成できる。
論文参考訳（メタデータ） (2022-12-28T18:03:41Z)
Gaussian Process Surrogate Models for Neural Networks [6.8304779077042515]
科学と工学において、モデリング(英: modeling)とは、内部プロセスが不透明な複雑なシステムを理解するために用いられる方法論である。本稿では,ガウス過程を用いたニューラルネットワークの代理モデルのクラスを構築する。提案手法は,ニューラルネットワークのスペクトルバイアスに関連する既存の現象を捕捉し,サロゲートモデルを用いて現実的な問題を解決することを実証する。
論文参考訳（メタデータ） (2022-08-11T20:17:02Z)
EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文参考訳（メタデータ） (2022-02-21T18:59:03Z)
Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文参考訳（メタデータ） (2022-02-01T17:11:13Z)
An energy-based model for neuro-symbolic reasoning on knowledge graphs [0.0]
産業自動化システムを特徴付けるためのエネルギーベースのグラフ埋め込みアルゴリズムを提案する。複数のドメインからの知識を組み合わせることで、学習モデルはコンテキスト対応の予測を行うことができる。提示されたモデルは、生物学的にインスパイアされたニューラルアーキテクチャにマッピング可能であり、グラフ埋め込み法とニューロモルフィックコンピューティングの間の最初のブリッジとして機能する。
論文参考訳（メタデータ） (2021-10-04T18:02:36Z)
Creating Powerful and Interpretable Models withRegression Networks [2.2049183478692584]
本稿では,ニューラルネットワークのパワーと回帰分析の可視性を組み合わせた新しいアーキテクチャRegression Networksを提案する。これらのモデルが,いくつかのベンチマークデータセット上での解釈可能なモデルの最先端性能を上回ることを実証する。
論文参考訳（メタデータ） (2021-07-30T03:37:00Z)
Learning Evolved Combinatorial Symbols with a Neuro-symbolic Generative Model [35.341634678764066]
人間は限られたデータからリッチな概念を素早く理解することができる。従来のアプローチと概念学習の強みを融合したニューロシンボリックジェネレーションモデルを提案する。
論文参考訳（メタデータ） (2021-04-16T17:57:51Z)

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。