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

• Smoke and Mirrors in Causal Downstream Tasks [59.90654397037007]
  本稿では,治療効果推定の因果推論課題について考察する。 ランダム化比較試験において,高次元画像として記録される2値効果を仮定する。 最先端のビジュアルバックボーンから微調整された6つの480モデルを比較した。 その結果,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していることが判明した。
  論文  参考訳（メタデータ） (2024-05-27T13:26:34Z)
• Not all tickets are equal and we know it: Guiding pruning with domain-specific knowledge [26.950765295157897]
  本稿では、利用可能なドメイン固有構造情報によってプルーニングをガイドするDASHを提案する。 動的遺伝子制御ネットワークモデル学習の文脈において、DASHと相互作用パートナーに関する既存の一般的な知識が組み合わさって、生物学的に整合したデータ固有の洞察を提供することを示す。
  論文  参考訳（メタデータ） (2024-03-05T23:02:55Z)
• 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)
• Interpretable Imitation Learning with Dynamic Causal Relations [65.18456572421702]
  得られた知識を有向非巡回因果グラフの形で公開することを提案する。 また、この因果発見プロセスを状態依存的に設計し、潜在因果グラフのダイナミクスをモデル化する。 提案するフレームワークは,動的因果探索モジュール,因果符号化モジュール,予測モジュールの3つの部分から構成され,エンドツーエンドで訓練される。
  論文  参考訳（メタデータ） (2023-09-30T20:59:42Z)
• 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)
• A GNN-RNN Approach for Harnessing Geospatial and Temporal Information: Application to Crop Yield Prediction [18.981160729510417]
  本稿では,地理的知識と時間的知識を両立させるため,収穫量予測のためのグラフベースの新しいリカレントニューラルネットワークを提案する。 米国本土41州から2000以上の郡で,1981年から2019年までの期間にわたって,本手法を訓練,検証,試験を行った。
  論文  参考訳（メタデータ） (2021-11-17T04:43:25Z)
• 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。