論文の概要: Transfer Learning via Auxiliary Labels with Application to Cold-Hardiness Prediction

• arxiv url: http://arxiv.org/abs/2504.13142v1
• Date: Thu, 17 Apr 2025 17:51:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-18 14:35:58.604846
• Title: Transfer Learning via Auxiliary Labels with Application to Cold-Hardiness Prediction
• Title（参考訳）: 補助ラベルによる移動学習と寒冷環境予測への応用
• Authors: Kristen Goebel, Paola Pesantez-Cabrera, Markus Keller, Alan Fern,
• Abstract要約: 寒冷な気候は、そのレジリエンスや、季節を通じて変化する寒冷な硬さによって、果実の収穫物に大きな凍害を引き起こすことがある。 これにより、農夫が高価な凍害対策をいつ導入するかを決めるのに役立つ予測的冷暖化モデルの開発につながった。 残念なことに、モデルトレーニングのためのコールドハードネスデータは、特別な機器や専門知識を必要とするため、一部の果実品種でのみ利用可能である。 本研究では,農家が表現学データを活用してより正確な寒冷環境予測を実現するための移動学習フレームワークであるTransfer via Auxiliary Labels(TAL)を導入する。
• 参考スコア（独自算出の注目度）: 13.08917874547845
• License:
• Abstract: Cold temperatures can cause significant frost damage to fruit crops depending on their resilience, or cold hardiness, which changes throughout the dormancy season. This has led to the development of predictive cold-hardiness models, which help farmers decide when to deploy expensive frost-mitigation measures. Unfortunately, cold-hardiness data for model training is only available for some fruit cultivars due to the need for specialized equipment and expertise. Rather, farmers often do have years of phenological data (e.g. date of budbreak) that they regularly collect for their crops. In this work, we introduce a new transfer-learning framework, Transfer via Auxiliary Labels (TAL), that allows farmers to leverage the phenological data to produce more accurate cold-hardiness predictions, even when no cold-hardiness data is available for their specific crop. The framework assumes a set of source tasks (cultivars) where each has associated primary labels (cold hardiness) and auxiliary labels (phenology). However, the target task (new cultivar) is assumed to only have the auxiliary labels. The goal of TAL is to predict primary labels for the target task via transfer from the source tasks. Surprisingly, despite the vast literature on transfer learning, to our knowledge, the TAL formulation has not been previously addressed. Thus, we propose several new TAL approaches based on model selection and averaging that can leverage recent deep multi-task models for cold-hardiness prediction. Our results on real-world cold-hardiness and phenological data for multiple grape cultivars demonstrate that TAL can leverage the phenological data to improve cold-hardiness predictions in the absence of cold-hardiness data.
• Abstract（参考訳）: 低温は、そのレジリエンスや、休眠期間を通じて変化する寒冷な硬さによって、果実の収穫物に大きな凍害を引き起こす可能性がある。 これにより、農夫が高価な凍害対策をいつ導入するかを決めるのに役立つ予測的冷暖化モデルの開発につながった。 残念なことに、モデルトレーニングのためのコールドハードネスデータは、特別な機器や専門知識を必要とするため、一部の果実品種でのみ利用可能である。 むしろ、農家は、しばしば作物のために定期的に収集する、何年もの現象学的データ(例えば、芽切れの日付)を持っている。 本研究では,特定の作物に寒冷条件データがない場合でも,農夫が表現学データを活用してより正確な寒冷条件予測を行うことのできる,新しい移動学習フレームワークであるTransfer via Auxiliary Labels(TAL)を導入する。 このフレームワークは、それぞれが関連する一次ラベル(コールドハードネス)と補助ラベル(フェノロジー)を持つ一連のソースタスク(品種)を仮定する。 しかし、ターゲットタスク(新しい品種)は補助ラベルのみを有すると仮定される。 TALの目標は、ソースタスクからの転送によって、ターゲットタスクのプライマリラベルを予測することである。 驚いたことに、転送学習に関する膨大な文献にもかかわらず、私たちの知る限り、talの定式化は、これまでは解決されていない。 そこで,本研究では,近年の深層マルチタスクモデルを利用して冷硬度予測を行う,モデル選択と平均化に基づく新しいTAL手法を提案する。 複数のブドウ品種を対象とした実世界の冷硬度データと表現学的データの結果から, TALは寒冷硬度データがない場合の冷硬度予測を改善するために, 表現学的データを活用することができることが示された。

関連論文リスト

• LLMForecaster: Improving Seasonal Event Forecasts with Unstructured Textual Data [63.777637042161544]
  本稿では,非構造化意味情報と文脈情報と履歴データを組み込むために,大規模言語モデルを微調整した新しい予測ポストプロセッサを提案する。 産業規模の小売アプリケーションでは, ホリデードリブン需要の急激な上昇にともなう数種類の製品に対して, 本手法が統計的に有意な改善を予測できることが実証された。
  論文  参考訳（メタデータ） (2024-12-03T16:18:42Z)
• AutoElicit: Using Large Language Models for Expert Prior Elicitation in Predictive Modelling [53.54623137152208]
  我々はAutoElicitを導入し、大規模言語モデルから知識を抽出し、予測モデルのための事前構築を行う。 これらの先行情報は情報的であり、自然言語を用いて洗練できることを示す。 AutoElicitは、非形式的な事前よりもエラーを大幅に減らし、ラベルを減らし、コンテクスト内学習を一貫して上回ります。
  論文  参考訳（メタデータ） (2024-11-26T10:13:39Z)
• A Machine Learning Approach for Crop Yield and Disease Prediction Integrating Soil Nutrition and Weather Factors [0.0]
  バングラデシュにおける作物選択・病気予測のための知的農業意思決定支援システムの開発が主な目的である。 推奨されるアプローチは、作物の生産、土壌条件、農業・気象地域、作物病、気象要因に関する様々なデータセットを使用する。
  論文  参考訳（メタデータ） (2024-03-28T09:57:50Z)
• Comparing Data-Driven and Mechanistic Models for Predicting Phenology in Deciduous Broadleaf Forests [47.285748922842444]
  我々は、気象時系列から表現指標を予測するために、ディープニューラルネットワークを訓練する。 このアプローチは従来のプロセスベースのモデルよりも優れています。
  論文  参考訳（メタデータ） (2024-01-08T15:29:23Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Diverse Data Augmentation with Diffusions for Effective Test-time Prompt Tuning [73.75282761503581]
  DiffTPTを提案する。DiffTPTは,事前学習した拡散モデルを用いて,多種多様な情報データを生成する。 DiffTPTがゼロショット精度を平均5.13%向上することを示す。
  論文  参考訳（メタデータ） (2023-08-11T09:36:31Z)
• Multi-Task Learning for Budbreak Prediction [18.329763523260624]
  本研究は,複数品種のブドウ品種を対象としたデータを用いて,ブドブレイク予測のための深層学習について検討する。 この問題に対処するために,全品種にまたがるデータを組み合わせて個々の品種の予測を行うマルチタスク学習について検討する。 本研究の主目的は,複数種類のマルチタスク学習が,各品種の学習と独立して比較して,予測精度を大幅に向上できることである。
  論文  参考訳（メタデータ） (2023-01-04T20:28:17Z)
• Grape Cold Hardiness Prediction via Multi-Task Learning [18.979780350924635]
  秋から春にかけての低温は、ブドウや他の果実植物に凍害をもたらす可能性がある。 農家は、スプリンクラー、ヒーター、風車などの高価な凍害対策を展開し、損傷が生じる可能性があると判断する。 研究者らは、厳しいフィールド計測データに基づいて、異なるブドウ品種に調整できる冷硬度予測モデルを開発した。
  論文  参考訳（メタデータ） (2022-09-21T18:18:52Z)
• MetaRF: Differentiable Random Forest for Reaction Yield Prediction with a Few Trails [58.47364143304643]
  本稿では,反応収率予測問題に焦点をあてる。 筆者らはまず,数発の収量予測のために特別に設計された,注意に基づく識別可能なランダム森林モデルであるMetaRFを紹介した。 数発の学習性能を改善するために,さらに次元還元に基づくサンプリング手法を導入する。
  論文  参考訳（メタデータ） (2022-08-22T06:40:13Z)
• An Applied Deep Learning Approach for Estimating Soybean Relative Maturity from UAV Imagery to Aid Plant Breeding Decisions [7.4022258821325115]
  我々は,UAV画像の時系列を用いて,大豆の相対的成熟度を推定するための頑健で自動的なアプローチを開発した。 畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を組み合わせたエンドツーエンドハイブリッドモデルを提案する。 その結果,CNN-LSTMモデルの有効性を局所回帰法と比較した。
  論文  参考訳（メタデータ） (2021-08-02T14:53:58Z)
• Comparison of Machine Learning Methods for Predicting Winter Wheat Yield in Germany [0.0]
  本研究は冬季小麦収量予測のための異なる機械学習手法の性能を分析した。 季節性に対処するため、土壌の湿潤条件や気象現象を考慮に入れた週ごとの特徴が用いられた。
  論文  参考訳（メタデータ） (2021-05-04T04:40:53Z)

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。