論文の概要: Domain Adaptation for Sustainable Soil Management using Causal and Contrastive Constraint Minimization

• arxiv url: http://arxiv.org/abs/2401.07175v1
• Date: Sat, 13 Jan 2024 23:51:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-17 19:34:10.203159
• Title: Domain Adaptation for Sustainable Soil Management using Causal and Contrastive Constraint Minimization
• Title（参考訳）: 因果・制約最小化による持続可能な土壌管理のためのドメイン適応
• Authors: Somya Sharma, Swati Sharma, Rafael Padilha, Emre Kiciman, Ranveer Chandra
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 13.436399861462323
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Monitoring organic matter is pivotal for maintaining soil health and can help inform sustainable soil management practices. While sensor-based soil information offers higher-fidelity and reliable insights into organic matter changes, sampling and measuring sensor data is cost-prohibitive. We propose a multi-modal, scalable framework that can estimate organic matter from remote sensing data, a more readily available data source while leveraging sparse soil information for improving generalization. Using the sensor data, we preserve underlying causal relations among sensor attributes and organic matter. Simultaneously we leverage inherent structure in the data and train the model to discriminate among domains using contrastive learning. This causal and contrastive constraint minimization ensures improved generalization and adaptation to other domains. We also shed light on the interpretability of the framework by identifying attributes that are important for improving generalization. Identifying these key soil attributes that affect organic matter will aid in efforts to standardize data collection efforts.
• Abstract（参考訳）: 有機物のモニタリングは土壌の健全性を維持する上で重要であり、持続可能な土壌管理に役立ちます。 センサベースの土壌情報は,有機物の変化に対する高忠実で信頼性の高い洞察を提供するが,センサデータのサンプリングと測定はコストを抑える。 本研究では,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。 センサデータを用いて,センサ属性と有機物間の因果関係を保存する。 同時に、データに固有の構造を利用し、コントラスト学習を用いてモデルを訓練し、ドメイン間を判別する。 この因果的かつ対照的な制約最小化は、他の領域への一般化と適応を改善する。 また、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。 有機物に影響を及ぼすこれらの重要な土壌特性を特定することは、データ収集の標準化に役立ちます。

関連論文リスト

• Self-consistent Deep Geometric Learning for Heterogeneous Multi-source Spatial Point Data Prediction [10.646376827353551]
  環境モニタリングや天然資源管理といった分野において,マルチソース空間データ予測が重要である。 この領域の既存のモデルはドメイン固有の性質のためにしばしば不足し、様々な情報源からの情報を統合する戦略が欠如している。 我々は,地中真理ラベルを頼らずに,様々な情報源からの情報を順に整列する,革新的なマルチソース空間点データ予測フレームワークを導入する。
  論文  参考訳（メタデータ） (2024-06-30T16:13:13Z)
• Exploring the Impact of Synthetic Data for Aerial-view Human Detection [17.41001388151408]
  航空ビューによる人間の検出は、より多様な人間の外観を捉えるために、大規模なデータに対する大きな需要がある。 合成データはデータを拡張するのに十分なリソースだが、実際のデータとのドメインギャップは、トレーニングで使用する上で最大の障害である。
  論文  参考訳（メタデータ） (2024-05-24T04:19:48Z)
• Rethinking Sensors Modeling: Hierarchical Information Enhanced Traffic Forecasting [47.1051445072085]
  我々は、センサーの依存性モデリングを2つの階層(地域とグローバル)から再考する。 我々は,センサ間のグローバルな依存性を反映するグローバルノードとして,代表的パターンと共通時間パターンを生成する。 ノード表現の現実性の一般化を追求するため、物理データ空間におけるノードとグローバルノードの伝播にMeta GCNを組み込んだ。
  論文  参考訳（メタデータ） (2023-09-20T13:08:34Z)
• Trust your Good Friends: Source-free Domain Adaptation by Reciprocal Neighborhood Clustering [50.46892302138662]
  我々は、ソースデータがない場合に、ソース事前学習されたモデルをターゲット領域に適応させる、ソースフリー領域適応問題に対処する。 提案手法は,ソースドメイン分類器と一致しない可能性のあるターゲットデータが,依然として明確なクラスタを形成しているという観測に基づいている。 本研究では, この地域構造を, 地域住民, 相互隣人, 及び拡張近所を考慮し, 効率的に把握できることを実証する。
  論文  参考訳（メタデータ） (2023-09-01T15:31:18Z)
• 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)
• Joint Learning of Label and Environment Causal Independence for Graph Out-of-Distribution Generalization [60.4169201192582]
  本稿では,ラベルと環境情報を完全に活用するために,ラベルと環境の因果独立(LECI)を導入することを提案する。 LECIは、合成データセットと実世界のデータセットの両方において、従来の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2023-06-01T19:33:30Z)
• Agave crop segmentation and maturity classification with deep learning data-centric strategies using very high-resolution satellite imagery [101.18253437732933]
  超高解像度衛星画像を用いたAgave tequilana Weber azul crop segmentation and mature classificationを提案する。 実世界の深層学習問題を,作物の選別という非常に具体的な文脈で解決する。 結果として得られた正確なモデルにより、大規模地域で生産予測を行うことができる。
  論文  参考訳（メタデータ） (2023-03-21T03:15:29Z)
• Synthetic-to-Real Domain Adaptation for Action Recognition: A Dataset and Baseline Performances [76.34037366117234]
  ロボット制御ジェスチャー(RoCoG-v2)と呼ばれる新しいデータセットを導入する。 データセットは7つのジェスチャークラスの実ビデオと合成ビデオの両方で構成されている。 我々は,最先端の行動認識とドメイン適応アルゴリズムを用いて結果を示す。
  論文  参考訳（メタデータ） (2023-03-17T23:23:55Z)
• Federated Causal Discovery [74.37739054932733]
  本稿では,DAG-Shared Federated Causal Discovery (DS-FCD) という勾配学習フレームワークを開発する。 ローカルデータに直接触れることなく因果グラフを学習し、データの不均一性を自然に扱うことができる。 合成および実世界の両方のデータセットに対する大規模な実験により,提案手法の有効性が検証された。
  論文  参考訳（メタデータ） (2021-12-07T08:04:12Z)
• Description of Structural Biases and Associated Data in Sensor-Rich Environments [6.548580592686077]
  センサが豊富な環境下での活動認識を研究する。 帰納バイアスの問題とそのデータ収集プロセスへの影響に対処します。 本稿では,センサデータをレイヤに構成するメタモデリングプロセスを提案する。
  論文  参考訳（メタデータ） (2021-04-11T00:26:59Z)

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。