論文の概要: Unsupervised Graph Spectral Feature Denoising for Crop Yield Prediction
- arxiv url: http://arxiv.org/abs/2208.02714v1
- Date: Thu, 4 Aug 2022 15:18:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-05 12:51:23.032126
- Title: Unsupervised Graph Spectral Feature Denoising for Crop Yield Prediction
- Title（参考訳）: 作物収量予測のための教師なしグラフスペクトル特徴化
- Authors: Saghar Bagheri, Chinthaka Dinesh, Gene Cheung, Timothy Eadie
- Abstract要約: 郡粒度の年間収穫量の予測は、国産食品生産と価格安定にとって重要である。
深層学習予測モデルに入力されるグラフスペクトルフィルタリングによって関連する特徴を識別する。
特定特徴を入力として使用することにより、収量予測モデルの性能を顕著に向上させることができる。
- 参考スコア（独自算出の注目度）: 27.604637365723676
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Prediction of annual crop yields at a county granularity is important for
national food production and price stability. In this paper, towards the goal
of better crop yield prediction, leveraging recent graph signal processing
(GSP) tools to exploit spatial correlation among neighboring counties, we
denoise relevant features via graph spectral filtering that are inputs to a
deep learning prediction model. Specifically, we first construct a
combinatorial graph with edge weights that encode county-to-county similarities
in soil and location features via metric learning. We then denoise features via
a maximum a posteriori (MAP) formulation with a graph Laplacian regularizer
(GLR). We focus on the challenge to estimate the crucial weight parameter
$\mu$, trading off the fidelity term and GLR, that is a function of noise
variance in an unsupervised manner. We first estimate noise variance directly
from noise-corrupted graph signals using a graph clique detection (GCD)
procedure that discovers locally constant regions. We then compute an optimal
$\mu$ minimizing an approximate mean square error function via bias-variance
analysis. Experimental results from collected USDA data show that using
denoised features as input, performance of a crop yield prediction model can be
improved noticeably.
- Abstract（参考訳）: 郡粒度の年間収穫量の予測は、国産食品生産と価格安定にとって重要である。
本稿では,近年のグラフ信号処理(gsp)ツールを活用して,隣接郡間の空間的相関を利用した作物収量予測の精度向上に向けて,ディープラーニング予測モデルに入力されるグラフスペクトルフィルタリングによる関連特徴を考察する。
具体的には、まず、土壌の郡間類似点と位置特徴をメートル法学習によりエンコードするエッジ重み付き組合せグラフを構築する。
次に、グラフラプラシアン正則化器(GLR)を用いた最大後続(MAP)定式化により特徴を識別する。
我々は、重要重みパラメータである$\mu$を推定し、教師なしの方法でノイズ分散の関数である忠実度項とglrを交換することに焦点を当てる。
まず,局所定数領域を探索するgraph clique detection (gcd) 手法を用いて,ノイズ分解されたグラフ信号から直接雑音分散を推定する。
次にバイアス分散解析により近似平均二乗誤差関数を最小化する最適な$\mu$を計算する。
得られたUSDAデータから得られた実験結果から, 農作物収量予測モデルの性能が顕著に向上できることが示唆された。
関連論文リスト
- How Powerful is Graph Filtering for Recommendation [7.523823738965443]
グラフフィルタリングのパワーを抑制する2つの制限を示す。
様々なノイズ分布のため、グラフフィルタは全ての周波数にノイズが散らばっているスパースデータを劣化させることができない。
教師付きトレーニングは、トレーニングなしでグラフフィルタによって除去できる中周波数にノイズが集中している高密度データに対して、より悪いパフォーマンスをもたらす。
論文 参考訳（メタデータ） (2024-06-13T05:37:54Z) - Less is More: One-shot Subgraph Reasoning on Large-scale Knowledge Graphs [49.547988001231424]
効率的かつ適応的な予測を実現するために,ワンショットサブグラフリンク予測を提案する。
設計原理は、KG全体に直接作用する代わりに、予測手順を2つのステップに分離する。
5つの大規模ベンチマークにおいて,効率の向上と性能の向上を実現している。
論文 参考訳（メタデータ） (2024-03-15T12:00:12Z) - Graph Classification Gaussian Processes via Spectral Features [7.474662887810221]
グラフ分類は、その構造とノード属性に基づいてグラフを分類することを目的としている。
本研究では,スペクトル特徴を導出するグラフ信号処理ツールを用いて,この課題に取り組むことを提案する。
このような単純なアプローチであっても、学習されたパラメータがなくても、強力なニューラルネットワークやグラフカーネルのベースラインと比較して、競争力のあるパフォーマンスが得られることを示す。
論文 参考訳（メタデータ） (2023-06-06T15:31:05Z) - Graph Sparsification for GCN Towards Optimal Crop Yield Predictions [27.415307133655407]
完全グラフカーネルからエッジを取り除くために,Fiedler数に基づくグラフスカラー化手法を提案する。
本手法は, 収穫量予測における他のグラフスペーシフィケーション方式と比較して, GCN性能のよいスパースグラフを生成する。
論文 参考訳（メタデータ） (2023-06-02T17:51:56Z) - Graph Signal Sampling for Inductive One-Bit Matrix Completion: a
Closed-form Solution [112.3443939502313]
グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。
キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。
オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
論文 参考訳（メタデータ） (2023-02-08T08:17:43Z) - Patch-level Gaze Distribution Prediction for Gaze Following [49.93340533068501]
トレーニング後の視線に対するパッチ分布予測(PDP)手法を提案する。
本モデルでは,アノテーションの差が大きい画像上でのより優れたヒートマップ分布を予測することにより,MSE損失の正則化を図っている。
実験により,ターゲット予測とイン/アウト予測サブタスクのギャップを埋めるモデルが得られた。
論文 参考訳（メタデータ） (2022-11-20T19:25:15Z) - Large Graph Signal Denoising with Application to Differential Privacy [2.867517731896504]
本稿では,データ駆動型ウェーブレット・タイト・フレーム手法を用いて,グラフ上の信号のデノイングを行う場合について考察する。
我々はChebyshev-Jackson近似を用いて、大きなグラフにスケーラブルにする。
実データとシミュレーションデータから,様々な大きさのグラフに対して総合的な性能解析を行う。
論文 参考訳（メタデータ） (2022-09-05T16:32:54Z) - Differentiable Annealed Importance Sampling and the Perils of Gradient
Noise [68.44523807580438]
Annealed importance sample (AIS) と関連するアルゴリズムは、限界推定のための非常に効果的なツールである。
差別性は、目的として限界確率を最適化する可能性を認めるため、望ましい性質である。
我々はメトロポリス・ハスティングスのステップを放棄して微分可能アルゴリズムを提案し、ミニバッチ計算をさらに解き放つ。
論文 参考訳（メタデータ） (2021-07-21T17:10:14Z) - Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。
解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
論文 参考訳（メタデータ） (2020-10-21T20:04:22Z) - Neural Enhanced Belief Propagation on Factor Graphs [85.61562052281688]
グラフィカルモデルは局所依存確率変数の構造的表現である。
最初にグラフニューラルネットワークを拡張してグラフを分解する(FG-GNN)。
そこで我々は,FG-GNNを連立して動作させるハイブリッドモデルを提案する。
論文 参考訳（メタデータ） (2020-03-04T11:03:07Z)
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。