論文の概要: Farm-LightSeek: An Edge-centric Multimodal Agricultural IoT Data Analytics Framework with Lightweight LLMs
- arxiv url: http://arxiv.org/abs/2506.03168v1
- Date: Wed, 28 May 2025 14:09:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-05 21:20:13.896739
- Title: Farm-LightSeek: An Edge-centric Multimodal Agricultural IoT Data Analytics Framework with Lightweight LLMs
- Title（参考訳）: Farm-LightSeek - 軽量LLMを備えたエッジ中心のマルチモーダル農業IoTデータ分析フレームワーク
- Authors: Dawen Jiang, Zhishu Shen, Qiushi Zheng, Tiehua Zhang, Wei Xiang, Jiong Jin,
- Abstract要約: 我々はエッジ中心のマルチモーダル農業用IoTデータ分析フレームワークであるFarm-LightSeekを提案する。
このフレームワークは、センサを介してリアルタイムの農地のマルチソースデータを収集し、エッジノードでクロスモーダル推論と病気検出を行い、低レイテンシの管理決定を行う。
2つの実世界のデータセットで実施された実験は、Farm-LightSeekがミッションクリティカルなタスクにおける信頼性の高いパフォーマンスを一貫して達成していることを示している。
- 参考スコア（独自算出の注目度）: 8.54781439289805
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Amid the challenges posed by global population growth and climate change, traditional agricultural Internet of Things (IoT) systems is currently undergoing a significant digital transformation to facilitate efficient big data processing. While smart agriculture utilizes artificial intelligence (AI) technologies to enable precise control, it still encounters significant challenges, including excessive reliance on agricultural expert knowledge, difficulties in fusing multimodal data, poor adaptability to dynamic environments, and bottlenecks in real-time decision-making at the edge. Large language models (LLMs), with their exceptional capabilities in knowledge acquisition and semantic understanding, provide a promising solution to address these challenges. To this end, we propose Farm-LightSeek, an edge-centric multimodal agricultural IoT data analytics framework that integrates LLMs with edge computing. This framework collects real-time farmland multi-source data (images, weather, geographic information) via sensors, performs cross-modal reasoning and disease detection at edge nodes, conducts low-latency management decisions, and enables cloud collaboration for model updates. The main innovations of Farm-LightSeek include: (1) an agricultural "perception-decision-action" closed-loop architecture; (2) cross-modal adaptive monitoring; and (3)a lightweight LLM deployment strategy balancing performance and efficiency. Experiments conducted on two real-world datasets demonstrate that Farm-LightSeek consistently achieves reliable performance in mission-critical tasks, even under the limitations of edge computing resources. This work advances intelligent real-time agricultural solutions and highlights the potential for deeper integration of agricultural IoT with LLMs.
- Abstract（参考訳）: 世界の人口増加と気候変動によってもたらされる課題の中、従来の農業用IoT(Internet of Things)システムは現在、効率的なビッグデータ処理を促進するために、大きなデジタルトランスフォーメーションを行っています。
スマート農業は人工知能(AI)技術を利用して正確な制御を実現するが、農業専門家の知識への過度な依存、マルチモーダルデータの融合の困難、動的環境への適応性の低下、エッジでのリアルタイム意思決定におけるボトルネックなど、大きな課題に直面している。
大きな言語モデル(LLM)は、知識獲得と意味理解において例外的な能力を持ち、これらの課題に対処するための有望なソリューションを提供する。
この目的のために、LLMとエッジコンピューティングを統合するエッジ中心のマルチモーダル農業用IoTデータ分析フレームワークであるFarm-LightSeekを提案する。
このフレームワークは、センサーを介してリアルタイムの農地のマルチソースデータ(画像、天気、地理情報)を収集し、エッジノードでクロスモーダル推論と疾患検出を行い、低レイテンシの管理決定を実行し、モデル更新のためのクラウドコラボレーションを可能にする。
Farm-LightSeekの主なイノベーションは、(1)農業用「知覚-決定-行動」クローズループアーキテクチャ、(2)クロスモーダル適応監視、(3)パフォーマンスと効率のバランスをとる軽量LCMデプロイメント戦略である。
2つの実世界のデータセットで実施された実験によると、Farm-LightSeekは、エッジコンピューティングリソースの制限下であっても、ミッションクリティカルなタスクにおいて、一貫して信頼性の高いパフォーマンスを実現している。
この作業はインテリジェントなリアルタイム農業ソリューションを推進し、LLMと農業用IoTのより深い統合の可能性を強調している。
関連論文リスト
- AI in Agriculture: A Survey of Deep Learning Techniques for Crops, Fisheries and Livestock [77.95897723270453]
作物、漁業、家畜が世界の食料生産のバックボーンを形成し、成長を続ける世界の人口を養うのに不可欠である。
これらの問題に対処するには、効率的で正確でスケーラブルな技術ソリューションが必要であり、人工知能(AI)の重要性を強調している。
本調査では,従来の機械学習アプローチ,高度なディープラーニング技術,最新のビジョン言語基礎モデルなど,200以上の研究成果を体系的かつ徹底的にレビューする。
論文 参考訳（メタデータ） (2025-07-29T17:59:48Z) - TAMO:Fine-Grained Root Cause Analysis via Tool-Assisted LLM Agent with Multi-Modality Observation Data [33.5606443790794]
大規模言語モデル(LLM)は、コンテキスト推論とドメイン知識の統合においてブレークスルーをもたらした。
細粒度根本原因解析のための多モード観測データ,すなわちTAMOを用いたツール支援LLMエージェントを提案する。
論文 参考訳（メタデータ） (2025-04-29T06:50:48Z) - Multivariate Temporal Regression at Scale: A Three-Pillar Framework Combining ML, XAI, and NLP [1.331812695405053]
本稿では、機械学習(ML)、説明可能なAI(XAI)、自然言語処理(NLP)を統合することで、時間データにおける実行可能な関係の発見を加速する新しいフレームワークを提案する。
提案手法では,ML駆動プルーニングを用いて,低品質サンプルの識別と緩和,重要な特徴の相互作用を検証するためのXAIベースの解釈可能性,将来的なコンテキスト検証のためのNLPを組み合わせ,動作可能な洞察を明らかにするのに必要な時間を40～60%削減する。
論文 参考訳（メタデータ） (2025-04-02T21:53:03Z) - Scaling Autonomous Agents via Automatic Reward Modeling And Planning [52.39395405893965]
大規模言語モデル(LLM)は、様々なタスクにまたがる顕著な機能を示している。
しかし、彼らは多段階の意思決定と環境フィードバックを必要とする問題に苦戦している。
人間のアノテーションを使わずに環境から報酬モデルを自動的に学習できるフレームワークを提案する。
論文 参考訳（メタデータ） (2025-02-17T18:49:25Z) - Towards Human-Guided, Data-Centric LLM Co-Pilots [53.35493881390917]
CliMB-DCは、機械学習コパイロットのための、ヒューマンガイド付き、データ中心のフレームワークである。
高度なデータ中心ツールとLLM駆動推論を組み合わせることで、堅牢でコンテキスト対応のデータ処理を可能にする。
CliMB-DCが未処理のデータセットをML対応フォーマットに変換する方法を示す。
論文 参考訳（メタデータ） (2025-01-17T17:51:22Z) - Agri-LLaVA: Knowledge-Infused Large Multimodal Assistant on Agricultural Pests and Diseases [49.782064512495495]
農業分野における最初のマルチモーダル・インストラクション・フォロー・データセットを構築した。
このデータセットは、約40万のデータエントリを持つ221種類以上の害虫と病気をカバーしている。
本稿では,農業用マルチモーダル対話システムであるAgri-LLaVAを開発するための知識注入型学習手法を提案する。
論文 参考訳（メタデータ） (2024-12-03T04:34:23Z) - LoRa Communication for Agriculture 4.0: Opportunities, Challenges, and Future Directions [40.08908132533476]
スマート農業の新興分野は、IoT(Internet of Things)を活用して農業プラクティスに革命をもたらす。
本稿では,農業用IoTシステムにおける長距離無線通信の鍵となるLong Range(LoRa)技術の転換可能性について検討する。
論文 参考訳（メタデータ） (2024-09-17T13:55:44Z) - Generating Diverse Agricultural Data for Vision-Based Farming Applications [74.79409721178489]
このモデルは, 植物の成長段階, 土壌条件の多様性, 照明条件の異なるランダム化フィールド配置をシミュレートすることができる。
我々のデータセットにはセマンティックラベル付き12,000の画像が含まれており、精密農業におけるコンピュータビジョンタスクの包括的なリソースを提供する。
論文 参考訳（メタデータ） (2024-03-27T08:42:47Z) - Self-Supervised Backbone Framework for Diverse Agricultural Vision Tasks [0.3683202928838613]
農業におけるコンピュータビジョンは、農業をデータ駆動で正確で持続可能な産業に変えるために、ゲームを変える。
ディープラーニングは農業のビジョンに力を与えて、膨大な複雑な視覚データを分析するが、大きな注釈付きデータセットの可用性に大きく依存している。
本研究では,ResNet-50のバックボーンを実世界の農地画像の大規模データセット上に事前学習するための,コントラスト学習手法であるSimCLRを用いた軽量フレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-22T14:46:51Z) - LLM Inference Unveiled: Survey and Roofline Model Insights [62.92811060490876]
大規模言語モデル(LLM)推論は急速に進化しており、機会と課題のユニークなブレンドを提示している。
本調査は, 研究状況を要約するだけでなく, 屋上モデルに基づく枠組みを導入することによって, 従来の文献レビューから際立っている。
このフレームワークは、ハードウェアデバイスにLSMをデプロイする際のボトルネックを特定し、実用上の問題を明確に理解する。
論文 参考訳（メタデータ） (2024-02-26T07:33:05Z) - Curated LLM: Synergy of LLMs and Data Curation for tabular augmentation in low-data regimes [57.62036621319563]
本稿では,Large Language Models (LLMs) の知識を低データ構造におけるデータ拡張に活用したCLLMを紹介する。
従来のジェネレータと比較して,低データ方式におけるCLLMの優れた性能を示す。
論文 参考訳（メタデータ） (2023-12-19T12:34:46Z) - Data-Centric Digital Agriculture: A Perspective [23.566985362242498]
デジタル農業は、食料、食料、繊維、燃料の需要の増加に対応するために急速に発展している。
デジタル農業における機械学習の研究は、主にモデル中心のアプローチに焦点を当てている。
デジタル農業の可能性を完全に実現するためには、この分野におけるデータの役割を包括的に理解することが不可欠である。
論文 参考訳（メタデータ） (2023-12-06T11:38:26Z) - LAMM: Language-Assisted Multi-Modal Instruction-Tuning Dataset,
Framework, and Benchmark [81.42376626294812]
本稿では,Language-Assisted Multi-Modalインストラクションチューニングデータセット,フレームワーク,ベンチマークを提案する。
我々の目標は、MLLMのトレーニングと評価のための成長するエコシステムとしてLAMMを確立することです。
本稿では,2次元および3次元視覚のための広範囲な視覚タスクをカバーする包括的データセットとベンチマークを提案する。
論文 参考訳（メタデータ） (2023-06-11T14:01:17Z)
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。