論文の概要: An Online Optimization-Based Decision Support Tool for Small Farmers in India: Learning in Non-stationary Environments

• arxiv url: http://arxiv.org/abs/2311.17277v1
• Date: Tue, 28 Nov 2023 23:33:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-30 23:03:29.582986
• Title: An Online Optimization-Based Decision Support Tool for Small Farmers in India: Learning in Non-stationary Environments
• Title（参考訳）: インド小作農家のためのオンライン最適化に基づく意思決定支援ツール--非定常環境における学習
• Authors: Tuxun Lu, Aviva Prins
• Abstract要約: これらのツールの恩恵を受けることができるインドの小農家は、それらにアクセスできない。 本稿では,個別の温室をマルコフ決定プロセス (MDP) としてモデル化し,Li と Li の Follow the Leader (FWL) のオンライン学習アルゴリズムを適用して作物計画のアドバイスを提供する。
• 参考スコア（独自算出の注目度）: 1.3597551064547502
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Crop management decision support systems are specialized tools for farmers that reduce the riskiness of revenue streams, especially valuable for use under the current climate changes that impact agricultural productivity. Unfortunately, small farmers in India, who could greatly benefit from these tools, do not have access to them. In this paper, we model an individual greenhouse as a Markov Decision Process (MDP) and adapt Li and Li (2019)'s Follow the Weighted Leader (FWL) online learning algorithm to offer crop planning advice. We successfully produce utility-preserving cropping pattern suggestions in simulations. When we compare against an offline planning algorithm, we achieve the same cumulative revenue with greatly reduced runtime.
• Abstract（参考訳）: 作物経営決定支援システムは、特に農業生産性に影響を及ぼす現在の気候変化の下での使用に有用な、収入の流れのリスクを低減する農家のための特別なツールである。 残念ながら、これらのツールの恩恵を受けることができるインドの小農家は、それらにアクセスできない。 本稿では,個別の温室をマルコフ決定プロセス(MDP)としてモデル化し,Li and Li(2019)のFWLオンライン学習アルゴリズムを適応させ,作物計画のアドバイスを提供する。 シミュレーションでは, 実用性保全型クロッピングパターンの提案に成功している。 オフラインの計画アルゴリズムと比較すると,実行時間を大幅に削減した累積収益が得られる。

関連論文リスト

• VinePPO: Unlocking RL Potential For LLM Reasoning Through Refined Credit Assignment [66.80143024475635]
  VinePPOは不偏のモンテカルロ推定を計算するための簡単な手法である。 我々は、VinePPOが、MATHおよびGSM8Kデータセット間でPPOや他のRLフリーベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2024-10-02T15:49:30Z)
• AgGym: An agricultural biotic stress simulation environment for ultra-precision management planning [8.205412609306713]
  本稿では, 現場における生物ストレスの拡散をモデル化するための, モジュラー, 作物, ストレスシミュレーションフレームワークであるAgGymを紹介する。 本稿では,AgGymを限られたデータでカスタマイズし,各種の生物ストレス条件下での収量分布をシミュレートできることを示す。 提案フレームワークは,生物ストレス管理のスケジュールを,機会的,規範的に基づく個人化された意思決定支援を実現する。
  論文  参考訳（メタデータ） (2024-09-01T14:55:45Z)
• MOTO: Offline Pre-training to Online Fine-tuning for Model-based Robot Learning [52.101643259906915]
  本研究では,高次元観測による強化学習におけるオフライン事前学習とオンラインファインチューニングの問題について検討する。 既存のモデルベースオフラインRL法は高次元領域におけるオフラインからオンラインへの微調整には適していない。 本稿では,事前データをモデルベース値拡張とポリシー正則化によって効率的に再利用できるオンラインモデルベース手法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T21:04:31Z)
• AdaPlanner: Adaptive Planning from Feedback with Language Models [56.367020818139665]
  大規模言語モデル(LLM)は、最近、シーケンシャルな意思決定タスクの自律的エージェントとして機能する可能性を実証している。 本研究では,LLMエージェントが環境フィードバックに応じて自己生成計画を適応的に改善することのできるクローズドループアプローチであるAdaPlannerを提案する。 幻覚を緩和するために,様々なタスク,環境,エージェント機能にまたがる計画生成を容易にするコードスタイルのLCMプロンプト構造を開発した。
  論文  参考訳（メタデータ） (2023-05-26T05:52:27Z)
• Benchmarking Automated Machine Learning Methods for Price Forecasting Applications [58.720142291102135]
  自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。 CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。 本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
  論文  参考訳（メタデータ） (2023-04-28T10:27:38Z)
• A SWAT-based Reinforcement Learning Framework for Crop Management [0.0]
  土壌・水質評価ツール(SWAT)の力学を利用した強化学習(RL)環境を導入する。 これにより、フル成長の季節に配備されるはずの時間と資源が大幅に節約される。 我々は,標準的な農業慣行や最先端のRLアルゴリズムに通知された経営戦略に従って,様々な意思決定エージェントを開発・ベンチマークすることで,フレームワークの有用性を実証する。
  論文  参考訳（メタデータ） (2023-02-10T00:24:22Z)
• Privacy Adhering Machine Un-learning in NLP [66.17039929803933]
  現実の業界では、機械学習を使ってユーザデータに基づくモデルを構築します。 このような委任事項には、データだけでなく、モデルの再トレーニングにも労力が要る。 データの継続的な削除と モデル再訓練のステップはスケールしません この課題に対処するために、textitMachine Unlearningを提案する。
  論文  参考訳（メタデータ） (2022-12-19T16:06:45Z)
• DeepG2P: Fusing Multi-Modal Data to Improve Crop Production [1.7406327893433846]
  本稿では,G,E,Mの入力とその相互作用を処理する自然言語処理に基づくニューラルネットワークアーキテクチャを提案する。 我々は、DNAを自然言語としてモデル化することにより、新しい環境をテストする際に、従来のアプローチよりも優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2022-11-11T03:32:44Z)
• Machine Learning aided Crop Yield Optimization [0.0]
  我々は,OpenAI Gymインタフェースを用いた作物シミュレーション環境を提案し,生産効率を最適化するために,最新の深部強化学習(DRL)アルゴリズムを適用した。 DRLアルゴリズムは,水や肥料の使用量などの制約要因を最小化しつつ,収穫量の最適化を支援する新しい政策やアプローチの発見に有用であることを示す。
  論文  参考訳（メタデータ） (2021-11-01T14:14:11Z)
• IGrow: A Smart Agriculture Solution to Autonomous Greenhouse Control [8.344829083719857]
  スマート農業ソリューション,すなわちiGrowを提案する。 私たちはIoTとクラウドコンピューティング技術を使って、成長するデータを測定し、収集し、管理しています。 私たちのソリューションは生産量(商業的に販売可能な果物)と純利益を大幅に増加させます。
  論文  参考訳（メタデータ） (2021-07-06T11:35:50Z)
• Learning from Data to Optimize Control in Precision Farming [77.34726150561087]
  特集は、統計的推論、機械学習、精密農業のための最適制御における最新の発展を示す。 衛星の位置決めとナビゲーションとそれに続くInternet-of-Thingsは、リアルタイムで農業プロセスの最適化に使用できる膨大な情報を生成する。
  論文  参考訳（メタデータ） (2020-07-07T12:44:17Z)

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。