論文の概要: Multi-Task Learning for Budbreak Prediction

• arxiv url: http://arxiv.org/abs/2301.01815v1
• Date: Wed, 4 Jan 2023 20:28:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-06 14:28:07.003409
• Title: Multi-Task Learning for Budbreak Prediction
• Title（参考訳）: Budbreak予測のためのマルチタスク学習
• Authors: Aseem Saxena, Paola Pesantez-Cabrera, Rohan Ballapragada, Markus Keller, Alan Fern
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 18.329763523260624
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Grapevine budbreak is a key phenological stage of seasonal development, which serves as a signal for the onset of active growth. This is also when grape plants are most vulnerable to damage from freezing temperatures. Hence, it is important for winegrowers to anticipate the day of budbreak occurrence to protect their vineyards from late spring frost events. This work investigates deep learning for budbreak prediction using data collected for multiple grape cultivars. While some cultivars have over 30 seasons of data others have as little as 4 seasons, which can adversely impact prediction accuracy. To address this issue, we investigate multi-task learning, which combines data across all cultivars to make predictions for individual cultivars. Our main result shows that several variants of multi-task learning are all able to significantly improve prediction accuracy compared to learning for each cultivar independently.
• Abstract（参考訳）: ブドウバドブレイクは、季節的な発達の重要な現象学的段階であり、活動的な成長の開始のシグナルとなる。 これは、ブドウが凍結温度による損傷に最も弱い場合でもある。 そのため、春の終わりからブドウ畑を守るために、ブドブレイクの発生日を予想することがワイン農家にとって重要である。 本研究は,複数のブドウ品種を対象としたデータを用いたブドブレイク予測のための深層学習について検討する。 一部の品種は30以上のデータを持っているが、他の品種は4シーズンしか持たず、予測精度に悪影響を及ぼす可能性がある。 そこで本研究では,全品種間の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,各品種の学習に比べて予測精度を大幅に向上できることである。

関連論文リスト

• Performative Time-Series Forecasting [71.18553214204978]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• Winter Wheat Crop Yield Prediction on Multiple Heterogeneous Datasets using Machine Learning [0.2580765958706853]
  冬の小麦はイギリスで最も重要な作物の1つであり、作物の収穫予測は国の食料安全保障にとって不可欠である。 いくつかの研究は、郡や農場のレベルで収穫を予測するために機械学習(ML)技術を用いてきた。 本研究の目的は,多種多種データセットを用いたMLモデルを用いて冬期のコムギ収量を予測することである。
  論文  参考訳（メタデータ） (2023-06-20T23:52:39Z)
• Time Series Contrastive Learning with Information-Aware Augmentations [57.45139904366001]
  コントラスト学習の鍵となる要素は、いくつかの先行を示唆する適切な拡張を選択して、実現可能な正のサンプルを構築することである。 対照的な学習タスクやデータセットに意味のある時系列データの増大をどうやって見つけるかは、未解決の問題である。 本稿では,時系列表現学習のための最適な拡張を適応的に選択する情報認識拡張を用いた新しいコントラスト学習手法であるInfoTSを提案する。
  論文  参考訳（メタデータ） (2023-03-21T15:02:50Z)
• 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)
• Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
  本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。 我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。 そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
  論文  参考訳（メタデータ） (2021-09-30T19:19:09Z)
• Comparison of Machine Learning Methods for Predicting Winter Wheat Yield in Germany [0.0]
  本研究は冬季小麦収量予測のための異なる機械学習手法の性能を分析した。 季節性に対処するため、土壌の湿潤条件や気象現象を考慮に入れた週ごとの特徴が用いられた。
  論文  参考訳（メタデータ） (2021-05-04T04:40:53Z)
• Seed Stocking Via Multi-Task Learning [4.198742468051408]
  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。
  論文  参考訳（メタデータ） (2021-01-12T07:26:38Z)
• Abiotic Stress Prediction from RGB-T Images of Banana Plantlets [15.073709640728241]
  バナナ植物における無生物ストレス予測の方法と戦略について述べる。 データセットは、各植物の1日に1回撮影されるRGBと熱画像で構成されている。
  論文  参考訳（メタデータ） (2020-11-23T18:15:33Z)
• Predicting MOOCs Dropout Using Only Two Easily Obtainable Features from the First Week's Activities [56.1344233010643]
  いくつかの特徴は、学習者の誘惑や興味の欠如に寄与すると考えられており、そのことが解脱や総減退につながる可能性がある。 この研究は、いくつかの機械学習アプローチを比較して、最初の1週間から早期のドロップアウトを予測することを目的としている。
  論文  参考訳（メタデータ） (2020-08-12T10:44:49Z)
• 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。