論文の概要: Knowledge Guided Representation Learning and Causal Structure Learning in Soil Science

• arxiv url: http://arxiv.org/abs/2306.09302v1
• Date: Thu, 15 Jun 2023 17:31:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-16 13:38:19.832567
• Title: Knowledge Guided Representation Learning and Causal Structure Learning in Soil Science
• Title（参考訳）: 土壌科学における知識誘導表現学習と因果構造学習
• Authors: Somya Sharma, Swati Sharma, Licheng Liu, Rishabh Tushir, Andy Neal, Robert Ness, John Crawford, Emre Kiciman, Ranveer Chandra
• Abstract要約: 本研究では,土壌科学における科学的発見を促進するためのフレームワーク,知識指導型表現学習,因果構造学習(KGRCL)を提案する。 このフレームワークは, 観測された土壌プロセスと条件分布マッチングにより, シミュレーションされた土壌プロセスの表現学習を改善する。 学習された因果グラフは、他の因果発見法から生成された他のグラフよりも、基底真理を代表している。
• 参考スコア（独自算出の注目度）: 7.242065002172681
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: An improved understanding of soil can enable more sustainable land-use practices. Nevertheless, soil is called a complex, living medium due to the complex interaction of different soil processes that limit our understanding of soil. Process-based models and analyzing observed data provide two avenues for improving our understanding of soil processes. Collecting observed data is cost-prohibitive but reflects real-world behavior, while process-based models can be used to generate ample synthetic data which may not be representative of reality. We propose a framework, knowledge-guided representation learning, and causal structure learning (KGRCL), to accelerate scientific discoveries in soil science. The framework improves representation learning for simulated soil processes via conditional distribution matching with observed soil processes. Simultaneously, the framework leverages both observed and simulated data to learn a causal structure among the soil processes. The learned causal graph is more representative of ground truth than other graphs generated from other causal discovery methods. Furthermore, the learned causal graph is leveraged in a supervised learning setup to predict the impact of fertilizer use and changing weather on soil carbon. We present the results in five different locations to show the improvement in the prediction performance in out-of-sample and few-shots setting.
• Abstract（参考訳）: 土壌の理解が向上すれば、より持続可能な土地利用の実践が可能になる。 それでも土壌は、土壌の理解を制限する様々な土壌プロセスの複雑な相互作用のため、複雑で生きた媒質と呼ばれる。 プロセスベースモデルと観測データの解析は,土壌プロセスの理解を深めるための2つの道を提供する。 観察されたデータの収集はコストがかかるが、現実の動作を反映しているのに対し、プロセスベースのモデルは現実を代表しない大量の合成データを生成するのに使うことができる。 我々は,土壌科学における科学的発見を加速する枠組み,知識誘導表現学習,因果構造学習(KGRCL)を提案する。 このフレームワークは, 観測された土壌プロセスと条件分布マッチングにより, シミュレーションされた土壌プロセスの表現学習を改善する。 同時に、観測データとシミュレーションデータの両方を利用して土壌プロセス間の因果構造を学習する。 学習因果グラフは、他の因果発見法から生成される他のグラフよりも根拠真理の表れである。 さらに、学習因果グラフを教師付き学習装置で利用し、肥料の使用と天候の変化が土壌炭素に与える影響を予測する。 そこで本研究では,5つの異なる場所において,サンプル数と数ショット数での予測性能の向上を示す。

関連論文リスト

• Learning to refine domain knowledge for biological network inference [2.209921757303168]
  摂動実験により、生物学者は興味のある変数間の因果関係を発見することができる。 これらのデータの空間性と高次元性は因果構造学習アルゴリズムに重大な課題をもたらす。 そこで本研究では,データ観測に基づくドメイン知識の補修アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-18T12:53:23Z)
• Causal Representation Learning in Temporal Data via Single-Parent Decoding [66.34294989334728]
  科学的研究はしばしば、システム内の高レベル変数の根底にある因果構造を理解しようとする。 科学者は通常、地理的に分布した温度測定などの低レベルの測定を収集する。 そこで本研究では,単一親の復号化による因果発見法を提案し,その上で下位の潜伏者と因果グラフを同時に学習する。
  論文  参考訳（メタデータ） (2024-10-09T15:57:50Z)
• Smoke and Mirrors in Causal Downstream Tasks [59.90654397037007]
  本稿では, 治療効果推定の因果推論タスクについて検討し, 高次元観察において利害関係が記録されている。 最先端の視覚バックボーンから微調整した6つの480モデルを比較し、サンプリングとモデリングの選択が因果推定の精度に大きく影響することを発見した。 以上の結果から,今後のベンチマークでは,下流の科学的問題,特に因果的な問題について慎重に検討すべきであることが示唆された。
  論文  参考訳（メタデータ） (2024-05-27T13:26:34Z)
• Domain Adaptation for Sustainable Soil Management using Causal and Contrastive Constraint Minimization [13.436399861462323]
  リモートセンシングデータから有機物を推定できるマルチモーダルでスケーラブルなフレームワークを提案する。 我々はデータに固有の構造を活用し、対照的な学習を用いてドメインを識別するようにモデルを訓練する。 我々は、一般化を改善する上で重要な属性を識別することで、フレームワークの解釈可能性に光を当てた。
  論文  参考訳（メタデータ） (2024-01-13T23:51:42Z)
• SSL-SoilNet: A Hybrid Transformer-based Framework with Self-Supervised Learning for Large-scale Soil Organic Carbon Prediction [2.554658234030785]
  本研究は,自己指導型コントラスト学習を通じて,マルチモーダル特徴間の地理的関連を学習することを目的とした,新しいアプローチを提案する。 提案手法は、2つの異なる大規模データセットに対して厳密なテストを行っている。
  論文  参考訳（メタデータ） (2023-08-07T13:44:44Z)
• Causal Modeling of Soil Processes for Improved Generalization [6.839859020308749]
  土壌有機炭素は土壌中の栄養を豊かにするが、貯水量の改善や物理的浸食の制限といったコベネフィットも多様である。 現在のアプローチは、土壌条件や管理プラクティスをまたいでうまく一般化していない。 本研究では, 土壌プロセス間の因果関係の明示的モデリングが, 予測モデルの分布外一般化性を向上させることを実証的に示す。
  論文  参考訳（メタデータ） (2022-11-10T16:26:13Z)
• Taxonomizing local versus global structure in neural network loss landscapes [60.206524503782006]
  ロスランドスケープが世界規模で良好に接続されている場合, 最適なテスト精度が得られることを示す。 また、モデルが小さい場合や、品質の低いデータに訓練された場合、世界規模で接続の不十分なランドスケープが生じる可能性があることも示しています。
  論文  参考訳（メタデータ） (2021-07-23T13:37:14Z)
• Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
  我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。 本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。 これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
  論文  参考訳（メタデータ） (2020-12-07T16:23:13Z)
• Semi-supervised Soil Moisture Prediction through Graph Neural Networks [12.891517184512551]
  本研究では,土壌水分予測の問題を時間グラフによる半教師あり学習に転換する。 本研究では,地域間の関連位置の依存性を利用して土壌水分を予測できる動的グラフニューラルネットワークを提案する。 dglrと呼ばれるこのアルゴリズムは、地域内の複数の場所にわたって土壌水分を予測し、その間のグラフ構造を更新できるエンドツーエンド学習を提供する。
  論文  参考訳（メタデータ） (2020-12-07T07:56:11Z)
• Polyp-artifact relationship analysis using graph inductive learned representations [52.900974021773024]
  大腸癌の診断プロセスは主にポリープ(polyps)として知られる大腸組織における異常増殖の局在と特徴づけに焦点を当てている。 近年の深層物体の局在化の進展にもかかわらず、組織と高レベルのアーティファクトとの類似性により、ポリープの局在化は依然として困難である。 近年の研究では、ポリプ検出タスクにおける人工物の存在が負の影響を示しており、トレーニングプロセスの中でそれらを考慮し始めている。
  論文  参考訳（メタデータ） (2020-09-15T13:56:39Z)
• Causal Discovery in Physical Systems from Videos [123.79211190669821]
  因果発見は人間の認知の中心にある。 本研究では,ビデオの因果発見の課題を,地層構造を監督せずにエンドツーエンドで検討する。
  論文  参考訳（メタデータ） (2020-07-01T17:29:57Z)

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。