論文の概要: Large Language Models and Foundation Models in Smart Agriculture: Basics, Opportunities, and Challenges

• arxiv url: http://arxiv.org/abs/2308.06668v4
• Date: Sun, 17 Mar 2024 18:29:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-20 04:12:33.432235
• Title: Large Language Models and Foundation Models in Smart Agriculture: Basics, Opportunities, and Challenges
• Title（参考訳）: スマート農業における大規模言語モデルと基礎モデル:基礎,機会,課題
• Authors: Jiajia Li, Mingle Xu, Lirong Xiang, Dong Chen, Weichao Zhuang, Xunyuan Yin, Zhaojian Li,
• Abstract要約: FMとしても知られる大規模な事前学習モデルは、言語、ビジョン、意思決定タスクにおいて顕著な成功を収めている。 その実証された効果と大きな潜在能力にもかかわらず、農業AIにFMを適用するという調査はほとんど行われていない。 本研究の目的は、スマート農業分野におけるFMの可能性を探ることである。
• 参考スコア（独自算出の注目度）: 14.29575512262016
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The past decade has witnessed the rapid development and adoption of ML & DL methodologies in agricultural systems, showcased by great successes in agricultural applications. However, these conventional ML/DL models have certain limitations: they heavily rely on large, costly-to-acquire labeled datasets for training, require specialized expertise for development and maintenance, and are mostly tailored for specific tasks, thus lacking generalizability. Recently, large pre-trained models, also known as FMs, have demonstrated remarkable successes in language, vision, and decision-making tasks across various domains. These models are trained on a large amount of data from multiple domains and modalities. Once trained, they can accomplish versatile tasks with just minor fine-tuning and minimal task-specific labeled data. Despite their proven effectiveness and huge potential, there has been little exploration of applying FMs to agriculture AI. Thus, this study aims to explore the potential of FMs in the field of smart agriculture. In particular, conceptual tools and technical background are presented to help the understanding of the problem space and uncover new research directions. To this end, recent FMs in the general CS domain are reviewed, and the models are categorized into four categories: language FMs, vision FMs, multimodal FMs, and reinforcement learning FMs. Then, the steps of developing agriculture FMs (AFMs) are outlined and potential applications in smart agriculture are discussed. Moreover, challenges and risks associated with developing AFMs are discussed, including model training, validation, and deployment. In summary, the advancement of AI in agriculture is explored by introducing AFMs as a promising paradigm that can significantly mitigate the reliance on extensive labeled datasets and enhance the efficiency, effectiveness, and generalization of agricultural AI systems.
• Abstract（参考訳）: 過去10年間、農業システムにおけるML & DL方法論の急速な発展と導入を目撃してきた。 しかし、これらの従来のML/DLモデルは、トレーニングのために大きくて費用がかかるラベル付きデータセットに強く依存し、開発とメンテナンスに特別な専門知識を必要とし、主に特定のタスクに適したため、一般化性に欠ける、ある種の制限がある。 近年、FMとして知られる大規模な事前学習モデルが、言語、ビジョン、そして様々な領域における意思決定タスクにおいて顕著な成功を収めている。 これらのモデルは、複数のドメインとモダリティから大量のデータに基づいて訓練される。 トレーニングが完了すれば、小さな微調整と最小限のタスク固有のラベル付きデータだけで、多目的なタスクを達成できる。 その実証された効果と大きな潜在能力にもかかわらず、農業AIにFMを適用するという調査はほとんど行われていない。 そこで本研究では,スマート農業分野におけるFMの可能性を探究する。 特に、問題空間の理解と新たな研究の方向性を明らかにするために、概念ツールと技術的な背景が提示される。 この目的のために、CS領域における最近のFMを概説し、言語FM、視覚FM、マルチモーダルFM、強化学習FMの4つのカテゴリに分類される。 次に、農業用FM(AFM)の開発手順を概説し、スマート農業への応用の可能性について論じる。 さらに、モデルトレーニング、検証、デプロイメントなど、AFMの開発に伴う課題とリスクについても論じる。 まとめると、農業におけるAIの進歩は、AMMを広範なラベル付きデータセットへの依存を著しく軽減し、農業AIシステムの効率性、有効性、一般化を高める、有望なパラダイムとして導入することによって検討される。

関連論文リスト

• Specialized Foundation Models Struggle to Beat Supervised Baselines [60.23386520331143]
  ゲノミクス、衛星画像、時系列の3つのモードを最近のFMで調べ、それらを標準的な教師付き学習ワークフローと比較する。 最新のファンデーションモデルにマッチしたり、性能を上回るような、シンプルな教師付きモデルのトレーニングが一貫して可能であることが分かりました。
  論文  参考訳（メタデータ） (2024-11-05T04:10:59Z)
• Foundation Models for Remote Sensing and Earth Observation: A Survey [101.77425018347557]
  本調査は、リモートセンシング基礎モデル(RSFM)の新しい分野を体系的にレビューする。 モチベーションと背景の概要から始まり、続いて基本概念が導入された。 我々はこれらのモデルを公開データセットと比較し、既存の課題について議論し、今後の研究方向性を提案する。
  論文  参考訳（メタデータ） (2024-10-22T01:08:21Z)
• A Survey on RAG Meeting LLMs: Towards Retrieval-Augmented Large Language Models [71.25225058845324]
  大規模言語モデル(LLM)は、言語理解と生成において革命的な能力を示している。 Retrieval-Augmented Generation (RAG)は、信頼性と最新の外部知識を提供する。 RA-LLMは、モデルの内部知識に頼るのではなく、外部および権威的な知識ベースを活用するために登場した。
  論文  参考訳（メタデータ） (2024-05-10T02:48:45Z)
• Progress and Opportunities of Foundation Models in Bioinformatics [77.74411726471439]
  基礎モデル(FM)は、特に深層学習の領域において、計算生物学の新しい時代に定着した。 我々の焦点は、特定の生物学的問題にFMを応用することであり、研究ニーズに適切なFMを選択するために研究コミュニティを指導することを目的としています。 データノイズ、モデル説明可能性、潜在的なバイアスなど、生物学においてFMが直面する課題と限界を分析します。
  論文  参考訳（メタデータ） (2024-02-06T02:29:17Z)
• Foundation Model Sherpas: Guiding Foundation Models through Knowledge and Reasoning [23.763256908202496]
  ファンデーションモデル(FM)は、さまざまなタスクにおいて顕著なパフォーマンスを示すことによって、AIの分野に革命をもたらした。 FMは、多くの現実世界システムで広く採用されるのを防ぐために、多くの制限を課している。 エージェントがFMと対話できる様々なモードをカプセル化する概念的枠組みを提案する。
  論文  参考訳（メタデータ） (2024-02-02T18:00:35Z)
• Forging Vision Foundation Models for Autonomous Driving: Challenges, Methodologies, and Opportunities [59.02391344178202]
  ビジョンファウンデーションモデル(VFM)は、幅広いAIアプリケーションのための強力なビルディングブロックとして機能する。 総合的なトレーニングデータの不足、マルチセンサー統合の必要性、多様なタスク固有のアーキテクチャは、VFMの開発に重大な障害をもたらす。 本稿では、自動運転に特化したVFMを鍛造する上で重要な課題について述べるとともに、今後の方向性を概説する。
  論文  参考訳（メタデータ） (2024-01-16T01:57:24Z)
• Large Scale Foundation Models for Intelligent Manufacturing Applications: A Survey [21.08971790603887]
  この論文は、LSFMの現在の像とその利点を知的製造の文脈で体系的に説明した。 実世界の知的製造シナリオにおけるLSFMの応用事例を提示した。
  論文  参考訳（メタデータ） (2023-12-11T02:00:18Z)
• Learn From Model Beyond Fine-Tuning: A Survey [78.80920533793595]
  Learn From Model (LFM) は、モデルインターフェースに基づいた基礎モデル(FM)の研究、修正、設計に焦点を当てている。 LFM技術の研究は、モデルチューニング、モデル蒸留、モデル再利用、メタラーニング、モデル編集の5つの分野に大別できる。 本稿では, LFM の観点から, FM に基づく現在の手法を概観する。
  論文  参考訳（メタデータ） (2023-10-12T10:20:36Z)
• ChatGPT-Like Large-Scale Foundation Models for Prognostics and Health Management: A Survey and Roadmaps [8.62142522782743]
  産業生産と設備整備において,PHM技術は重要な役割を担っている。 ChatGPTやDALLE-Eといった大規模ファンデーションモデル(LSF-Model)は、AIがAI-2.0の新しい時代に入ることを象徴している。 本稿では,LSFモデルの主要なコンポーネントと最新の開発について,体系的に解説する。
  論文  参考訳（メタデータ） (2023-05-10T21:37:44Z)

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。