Fugu-MT 論文翻訳(概要): Agri-GNN: A Novel Genotypic-Topological Graph Neural Network Framework Built on GraphSAGE for Optimized Yield Prediction

論文の概要: Agri-GNN: A Novel Genotypic-Topological Graph Neural Network Framework Built on GraphSAGE for Optimized Yield Prediction

arxiv url: http://arxiv.org/abs/2310.13037v1
Date: Thu, 19 Oct 2023 14:49:35 GMT
ステータス: 処理完了
システム内更新日: 2023-10-24 01:55:10.830700
Title: Agri-GNN: A Novel Genotypic-Topological Graph Neural Network Framework Built on GraphSAGE for Optimized Yield Prediction
Title（参考訳）: agri-gnn:graphsage上に構築された新しい遺伝子型トポロジカルグラフニューラルネットワークフレームワーク
Authors: Aditya Gupta and Asheesh Singh
Abstract要約: 本稿では,作物の複雑な空間的相互作用と遺伝的相互作用を捉えるために,新しい遺伝子型-トポロジカルグラフニューラルネットワークフレームワークを提案する。 $textitAgri-GNN$はGraphSAGEアーキテクチャから作られている。実験によると、$textitAgri-GNN$はアイオワ州の農地の収量予測で$R2 =.876$を達成した。
参考スコア（独自算出の注目度）: 5.649181755209545
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Agriculture, as the cornerstone of human civilization, constantly seeks to integrate technology for enhanced productivity and sustainability. This paper introduces $\textit{Agri-GNN}$, a novel Genotypic-Topological Graph Neural Network Framework tailored to capture the intricate spatial and genotypic interactions of crops, paving the way for optimized predictions of harvest yields. $\textit{Agri-GNN}$ constructs a Graph $\mathcal{G}$ that considers farming plots as nodes, and then methodically constructs edges between nodes based on spatial and genotypic similarity, allowing for the aggregation of node information through a genotypic-topological filter. Graph Neural Networks (GNN), by design, consider the relationships between data points, enabling them to efficiently model the interconnected agricultural ecosystem. By harnessing the power of GNNs, $\textit{Agri-GNN}$ encapsulates both local and global information from plants, considering their inherent connections based on spatial proximity and shared genotypes, allowing stronger predictions to be made than traditional Machine Learning architectures. $\textit{Agri-GNN}$ is built from the GraphSAGE architecture, because of its optimal calibration with large graphs, like those of farming plots and breeding experiments. $\textit{Agri-GNN}$ experiments, conducted on a comprehensive dataset of vegetation indices, time, genotype information, and location data, demonstrate that $\textit{Agri-GNN}$ achieves an $R^2 = .876$ in yield predictions for farming fields in Iowa. The results show significant improvement over the baselines and other work in the field. $\textit{Agri-GNN}$ represents a blueprint for using advanced graph-based neural architectures to predict crop yield, providing significant improvements over baselines in the field.
Abstract（参考訳）: 農業は、人間の文明の基盤として、生産性と持続可能性を高める技術の統合を常に求めている。本稿では,作物の複雑な空間的・遺伝的相互作用を捉え,収量予測の最適化に資する新しい遺伝的-トポロジカルグラフニューラルネットワークフレームワークである$\textit{Agri-GNN}$を紹介する。 $\textit{Agri-GNN}$は、農業プロットをノードとして考慮したグラフ$\mathcal{G}$を構築し、空間的および遺伝的類似性に基づいてノード間のエッジを体系的に構築し、ジェノタイプトポロジーフィルタによるノード情報の集約を可能にする。グラフニューラルネットワーク(gnn)は、設計上、データポイント間の関係を考慮し、相互接続された農業エコシステムを効率的にモデル化することができる。 GNNのパワーを活用することで、$\textit{Agri-GNN}$は、空間的近接と共有ジェノタイプに基づいた、植物からのローカル情報とグローバル情報の両方をカプセル化し、従来の機械学習アーキテクチャよりも強力な予測を可能にする。ファームプロットや育種実験のような大きなグラフによる最適キャリブレーションのために、$\textit{agri-gnn}$はgraphsageアーキテクチャから構築されている。植生指標、時間、遺伝子型情報、位置データの包括的なデータセットに基づいて実施された$\textit{agri-gnn}$の実験では、アイオワ州の農地の収量予測において$r^2 = .876$が達成されている。その結果,フィールドにおけるベースラインや他の作業よりも顕著な改善が見られた。 $\textit{Agri-GNN}$は、高度なグラフベースのニューラルネットワークを使用して収穫量を予測するための青写真であり、フィールドのベースラインよりも大幅に改善されている。

関連論文リスト

TANGNN: a Concise, Scalable and Effective Graph Neural Networks with Top-m Attention Mechanism for Graph Representation Learning [7.879217146851148]
本稿では,Top-mアテンション機構アグリゲーションコンポーネントと近傍アグリゲーションコンポーネントを統合した,革新的なグラフニューラルネットワーク(GNN)アーキテクチャを提案する。提案手法の有効性を評価するため,提案手法をGNN分野において未探索の新たな課題である引用感情予測に適用した。
論文参考訳（メタデータ） (2024-11-23T05:31:25Z)
Node Feature Extraction by Self-Supervised Multi-scale Neighborhood Prediction [123.20238648121445]
我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。 GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
論文参考訳（メタデータ） (2021-10-29T19:55:12Z)
ACE-HGNN: Adaptive Curvature Exploration Hyperbolic Graph Neural Network [72.16255675586089]
本稿では、入力グラフと下流タスクに基づいて最適な曲率を適応的に学習する適応曲率探索ハイパーボリックグラフニューラルネットワークACE-HGNNを提案する。複数の実世界のグラフデータセットの実験は、競争性能と優れた一般化能力を備えたモデル品質において、顕著で一貫したパフォーマンス改善を示す。
論文参考訳（メタデータ） (2021-10-15T07:18:57Z)
Breaking the Limit of Graph Neural Networks by Improving the Assortativity of Graphs with Local Mixing Patterns [19.346133577539394]
グラフニューラルネットワーク(GNN)は、複数のグラフベースの学習タスクで大きな成功を収めています。入力グラフを近接情報と構造情報の両方を含む計算グラフに変換することに集中する。構造と近接度を適応的に選択することで,様々な混合条件下での性能が向上することを示す。
論文参考訳（メタデータ） (2021-06-11T19:18:34Z)
Rethinking Graph Neural Network Search from Message-passing [120.62373472087651]
本稿では,新しい検索空間を設計したグラフニューラルアーキテクチャサーチ(GNAS)を提案する。グラフニューラルアーキテクチャパラダイム(GAP:Graph Neural Architecture Paradigm)をツリートポロジー計算手順と2種類の微粒原子操作で設計します。実験では、GNASは複数のメッセージ通過機構と最適なメッセージ通過深さを持つより良いGNNを探索できることを示しています。
論文参考訳（メタデータ） (2021-03-26T06:10:41Z)
A Unified Lottery Ticket Hypothesis for Graph Neural Networks [82.31087406264437]
本稿では,グラフ隣接行列とモデルの重み付けを同時に行う統一GNNスペーシフィケーション(UGS)フレームワークを提案する。グラフ宝くじ(GLT)をコアサブデータセットとスパースサブネットワークのペアとして定義することにより、人気のある宝くじチケット仮説を初めてGNNsにさらに一般化します。
論文参考訳（メタデータ） (2021-02-12T21:52:43Z)
TreeRNN: Topology-Preserving Deep GraphEmbedding and Learning [24.04035265351755]
本研究では,グラフを木に転送する手法について検討し,特徴統合を局所的からグローバル的へと導くための明確な順序を学習する。グラフツリー画像からパターンを最もよく学習するために,2次元RNNアーキテクチャであるTreeRNNを提案する。
論文参考訳（メタデータ） (2020-06-21T15:22:24Z)
Higher-Order Explanations of Graph Neural Networks via Relevant Walks [3.1510406584101776]
グラフニューラルネットワーク(GNN)は、グラフ構造化データを予測するための一般的なアプローチである。本稿では,GNNを高次展開を用いて自然に説明できることを示す。本稿では,テキストデータの感情分析,量子化学における構造・不適切な関係,画像分類に関する実践的な知見を抽出する。
論文参考訳（メタデータ） (2020-06-05T17:59:14Z)
Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph Neural Networks [183.97265247061847]
我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。 GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
論文参考訳（メタデータ） (2020-03-08T13:02:15Z)
EdgeNets:Edge Varying Graph Neural Networks [179.99395949679547]
本稿では、EdgeNetの概念を通じて、最先端グラフニューラルネットワーク(GNN)を統一する一般的なフレームワークを提案する。 EdgeNetはGNNアーキテクチャであり、異なるノードが異なるパラメータを使って異なる隣人の情報を測定することができる。これは、ノードが実行でき、既存のグラフ畳み込みニューラルネットワーク(GCNN)とグラフアテンションネットワーク(GAT)の1つの定式化の下で包含できる一般的な線形で局所的な操作である。
論文参考訳（メタデータ） (2020-01-21T15:51:17Z)

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。