論文の概要: Learning-based estimation of cattle weight gain and its influencing factors

• arxiv url: http://arxiv.org/abs/2502.06906v1
• Date: Mon, 10 Feb 2025 01:45:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-12 14:09:29.790929
• Title: Learning-based estimation of cattle weight gain and its influencing factors
• Title（参考訳）: 学習に基づく牛の体重増加とその影響要因の推定
• Authors: Muhammad Riaz Hasib Hossain, Rafiqul Islam, Shawn R. McGrath, Md Zahidul Islam, David Lamb,
• Abstract要約: 牛の農家はいまだに一定間隔で牛の生体重の利得を測定する手動の方法に依存している。 機械学習(ML)やディープラーニング(DL)を用いた遠隔かつ自律的なモニタリングシステムは、より効率的で侵襲的な方法を提供することができる。 本研究は,CWG推定における現在のツール,手法,特徴,およびその強度と弱点について検討する。
• 参考スコア（独自算出の注目度）: 1.044329741512246
• License:
• Abstract: Many cattle farmers still depend on manual methods to measure the live weight gain of cattle at set intervals, which is time consuming, labour intensive, and stressful for both the animals and handlers. A remote and autonomous monitoring system using machine learning (ML) or deep learning (DL) can provide a more efficient and less invasive method and also predictive capabilities for future cattle weight gain (CWG). This system allows continuous monitoring and estimation of individual cattle live weight gain, growth rates and weight fluctuations considering various factors like environmental conditions, genetic predispositions, feed availability, movement patterns and behaviour. Several researchers have explored the efficiency of estimating CWG using ML and DL algorithms. However, estimating CWG suffers from a lack of consistency in its application. Moreover, ML or DL can provide weight gain estimations based on several features that vary in existing research. Additionally, previous studies have encountered various data related challenges when estimating CWG. This paper presents a comprehensive investigation in estimating CWG using advanced ML techniques based on research articles (between 2004 and 2024). This study investigates the current tools, methods, and features used in CWG estimation, as well as their strengths and weaknesses. The findings highlight the significance of using advanced ML approaches in CWG estimation and its critical influence on factors. Furthermore, this study identifies potential research gaps and provides research direction on CWG prediction, which serves as a reference for future research in this area.
• Abstract（参考訳）: 多くの牛農家は、牛の生体重を一定間隔で測定する手動の方法に依存しており、これは時間を費やし、労働集約的であり、動物とハンドラーの両方にストレスを与えている。 機械学習(ML)やディープラーニング(DL)を用いた遠隔かつ自律的なモニタリングシステムは、より効率的で侵襲的な方法を提供し、将来の牛体重増加(CWG)の予測能力も提供する。 本システムは, 環境条件, 遺伝的前処理, 飼料の可利用性, 運動パターン, 行動といった様々な要因を考慮した, 牛の生活体重増加, 成長速度, 体重変動の連続的なモニタリングと推定を可能にする。 MLとDLアルゴリズムを用いてCWGを推定する効率について、いくつかの研究者が研究している。 しかし、CWGの推定は、アプリケーションの一貫性の欠如に悩まされている。 さらに、MLまたはDLは、既存の研究で異なるいくつかの特徴に基づいて、ウェイトゲイン推定を提供することができる。 さらに、CWGを推定する際、過去の研究は様々なデータ関連の課題に直面してきた。 本稿では,2004年から2024年にかけてのCWGの高度なML手法を用いて,CWGの推定を総合的に検討する。 本研究は,CWG推定における現在のツール,手法,特徴,およびその強度と弱点について検討する。 この結果は,CWG推定における高度なMLアプローチの意義と,その要因に対する重要な影響を強調した。 さらに,本研究では,今後の研究の参考となるCWG予測について,潜在的な研究ギャップを特定し,研究方向性を提供する。

関連論文リスト

• Learning from Neighbors: Category Extrapolation for Long-Tail Learning [62.30734737735273]
  より粒度の細かいデータセットは、データの不均衡の影響を受けにくい傾向があります。 既存のクラスと視覚的に類似したオープンセット補助クラスを導入し、頭と尾の両方の表現学習を強化することを目的とした。 補助授業の圧倒的な存在がトレーニングを混乱させるのを防ぐために,近隣のサイレンシング障害を導入する。
  論文  参考訳（メタデータ） (2024-10-21T13:06:21Z)
• A Comparison of Deep Learning and Established Methods for Calf Behaviour Monitoring [0.0]
  本報告では,動物活動の認知に関する福祉モニタリング支援研究について報告する。 このデータは、ホルスタインとジャージーの子牛が装着した首輪搭載加速度センサーから得られたものだ。 振る舞いの変化を検出する上で重要な要件は、アクティビティをクラスに分類できることである。
  論文  参考訳（メタデータ） (2024-08-23T13:02:24Z)
• Comprehensive Reassessment of Large-Scale Evaluation Outcomes in LLMs: A Multifaceted Statistical Approach [64.42462708687921]
  評価の結果、スケーリング、トレーニングタイプ、アーキテクチャなどの要因がLLMのパフォーマンスに大きな影響を与えていることが明らかになった。 本研究は, これらのLCMの徹底的な再検討に着手し, 現状評価手法における不整合性に着目した。 これには、ANOVA、Tukey HSDテスト、GAMM、クラスタリング技術などが含まれる。
  論文  参考訳（メタデータ） (2024-03-22T14:47:35Z)
• Livestock feeding behaviour: A review on automated systems for ruminant monitoring [33.7054351451505]
  本論文は,反響者の摂食行動の分析に関する最初のチュートリアルスタイルのレビューである。 摂食行動に関連する信号を計測し分析するための主要なセンシング手法と主要な技術を評価する。 また、価値ある情報を提供する自動監視システムの可能性を強調している。
  論文  参考訳（メタデータ） (2023-12-03T13:42:55Z)
• To Repeat or Not To Repeat: Insights from Scaling LLM under Token-Crisis [50.31589712761807]
  大規模言語モデル(LLM)は、事前トレーニング中にトークンに悩まされていることで知られており、Web上の高品質なテキストデータは、LSMのスケーリング制限に近づいている。 本研究では,事前学習データの再学習の結果について検討し,モデルが過度に適合する可能性が示唆された。 第2に, マルチエポック劣化の原因となる要因について検討し, データセットのサイズ, モデルパラメータ, トレーニング目標など, 重要な要因について検討した。
  論文  参考訳（メタデータ） (2023-05-22T17:02:15Z)
• B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding [51.74479522965712]
  本稿では,B-Learnerと呼ばれるメタラーナーを提案する。 我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
  論文  参考訳（メタデータ） (2023-04-20T18:07:19Z)
• Revolutionizing Genomics with Reinforcement Learning Techniques [0.2122194064694661]
  強化学習(Reinforcement Learning, RL)は、幅広い問題を解決する強力なツールとして登場した。 RLアルゴリズムは、最小限の人間の監督で経験から学ぶことができる。 RLを使用する大きなメリットの1つは、ラベル付きトレーニングデータ収集に伴うコスト削減である。
  論文  参考訳（メタデータ） (2023-02-26T08:43:08Z)
• Robust Causal Learning for the Estimation of Average Treatment Effects [14.96459402684986]
  本稿では,Double/Debiased Machine Learning (DML) 推定器の欠陥を相殺するRobust Causal Learning (RCL) 手法を提案する。 実験の結果,RCL推定器はDML推定器よりも,因果パラメータの安定な推定を行うことがわかった。
  論文  参考訳（メタデータ） (2022-09-05T07:35:58Z)
• A Large Scale Benchmark for Individual Treatment Effect Prediction and Uplift Modeling [7.1736440498963105]
  個別治療効果(ITE)予測は、粒度レベルでの行動の因果的影響を説明し、推定することを目的としている。 このトピックの研究を促進するために、いくつかのランダム化制御試験から収集された139万のサンプルの公開コレクションをリリースする。
  論文  参考訳（メタデータ） (2021-11-19T09:07:14Z)
• Proximal Reinforcement Learning: Efficient Off-Policy Evaluation in Partially Observed Markov Decision Processes [65.91730154730905]
  医療や教育などの観察データへのオフライン強化学習の適用においては、観察された行動は観測されていない要因に影響される可能性があるという一般的な懸念がある。 ここでは、部分的に観察されたマルコフ決定過程(POMDP)における非政治評価を考慮し、この問題に取り組む。 我々は、近位因果推論の枠組みをPOMDP設定に拡張し、識別が可能となる様々な設定を提供する。
  論文  参考訳（メタデータ） (2021-10-28T17:46:14Z)
• Localized Debiased Machine Learning: Efficient Inference on Quantile Treatment Effects and Beyond [69.83813153444115]
  因果推論における(局所)量子化処理効果((L)QTE)の効率的な推定式を検討する。 Debiased Machine Learning (DML)は、高次元のニュアンスを推定するデータ分割手法である。 本稿では、この負担のかかるステップを避けるために、局所的脱バイアス機械学習(LDML)を提案する。
  論文  参考訳（メタデータ） (2019-12-30T14:42:52Z)

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。