論文の概要: From Rows to Yields: How Foundation Models for Tabular Data Simplify Crop Yield Prediction

• arxiv url: http://arxiv.org/abs/2506.19046v1
• Date: Mon, 23 Jun 2025 19:05:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-25 19:48:23.35107
• Title: From Rows to Yields: How Foundation Models for Tabular Data Simplify Crop Yield Prediction
• Title（参考訳）: 収穫量から収量へ:作物収量予測をいかに単純化するか
• Authors: Filip Sabo, Michele Meroni, Maria Piles, Martin Claverie, Fanie Ferreira, Elna Van Den Berg, Francesco Collivignarelli, Felix Rembold,
• Abstract要約: TabPFNは、さまざまな回帰および分類タスクにおいて、従来の機械学習(ML)モデルよりも優れたパフォーマンスを示している。 我々は、地球観測のデカダル (10日間) 時系列と格子状気象データを用いて、亜国家レベルでの夏季作物の収量を予測する。
• 参考スコア（独自算出の注目度）: 0.7653936752253335
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present an application of a foundation model for small- to medium-sized tabular data (TabPFN), to sub-national yield forecasting task in South Africa. TabPFN has recently demonstrated superior performance compared to traditional machine learning (ML) models in various regression and classification tasks. We used the dekadal (10-days) time series of Earth Observation (EO; FAPAR and soil moisture) and gridded weather data (air temperature, precipitation and radiation) to forecast the yield of summer crops at the sub-national level. The crop yield data was available for 23 years and for up to 8 provinces. Covariate variables for TabPFN (i.e., EO and weather) were extracted by region and aggregated at a monthly scale. We benchmarked the results of the TabPFN against six ML models and three baseline models. Leave-one-year-out cross-validation experiment setting was used in order to ensure the assessment of the models capacity to forecast an unseen year. Results showed that TabPFN and ML models exhibit comparable accuracy, outperforming the baselines. Nonetheless, TabPFN demonstrated superior practical utility due to its significantly faster tuning time and reduced requirement for feature engineering. This renders TabPFN a more viable option for real-world operation yield forecasting applications, where efficiency and ease of implementation are paramount.
• Abstract（参考訳）: 本稿では,南アフリカにおける小～中規模の表型データ(TabPFN)のサブ国家収量予測タスクへの基礎モデルの適用について述べる。 TabPFNは、さまざまな回帰および分類タスクにおいて、従来の機械学習(ML)モデルよりも優れたパフォーマンスを示している。 地球観測(EO, FAPAR, 土壌水分)と格子状気象データ(大気温度, 降水量, 放射量)を用いて, 夏季作物の収量を予測する。 収量データは23年間、最大8か国で利用できた。 TabPFN (EO, 気象) の共変量変数を地域別に抽出し, 月間規模で集計した。 TabPFNの結果を、6つのMLモデルと3つのベースラインモデルと比較した。 モデルキャパシティの評価を確実にするために,残余1年間のクロスバリデーション実験が使用された。 その結果,TabPFNモデルとMLモデルは同等の精度を示し,ベースラインを上回った。 それでもTabPFNは、チューニング時間を大幅に高速化し、機能エンジニアリングの要求を減らしたために、優れた実用性を示した。 これにより、TabPFNは、効率性と実装の容易さが最優先される実世界の運用利率予測アプリケーションにとって、より実行可能な選択肢となる。

関連論文リスト

• TabPFN: One Model to Rule Them All? [21.658323618943697]
  統計利用者に対して,TabPFNがどのように機能するかを整理した説明を提供する。 本稿では,TabPFNのアウト・オブ・ザ・ボックス適用が,最先端の特殊な手法よりもはるかに優れていることを示す。
  論文  参考訳（メタデータ） (2025-05-26T13:55:29Z)
• From Tables to Time: How TabPFN-v2 Outperforms Specialized Time Series Forecasting Models [40.19199376033612]
  本稿では,TabPFN-v2と軽量機能工学を組み合わせた簡易な手法TabPFN-TSを導入する。 その単純さとコンパクトなサイズ(11Mパラメータ)にもかかわらず、TabPFN-TSは両方の予測タスクで公開GIFT-Evalリーダーボードのトップランクを獲得している。
  論文  参考訳（メタデータ） (2025-01-06T11:38:19Z)
• TuneTables: Context Optimization for Scalable Prior-Data Fitted Networks [90.00817095558094]
  事前データ対応ネットワーク(PFN)は、事前学習とコンテキスト内学習を利用して、1つのフォワードパスで新しいタスクの強力なパフォーマンスを実現する。 我々は、大規模なデータセットをより小さな学習コンテキストに圧縮するPFNのパラメータ効率の良い微調整戦略であるTuneTablesを紹介した。 我々は、TuneTablesを解釈可能性ツールとして使用することができ、公平性目標を最適化することでバイアスを軽減することができることを示した。
  論文  参考訳（メタデータ） (2024-02-17T00:02:23Z)
• 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)
• A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
  本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。 モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。 本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
  論文  参考訳（メタデータ） (2023-03-02T21:48:22Z)
• Forecasting Corn Yield with Machine Learning Ensembles [2.9005223064604078]
  本稿では,米コーンベルト州3州(イリノイ州,インディアナ州,アイオワ州)でトウモロコシの収量を予測するための機械学習ベースのフレームワークを提供する。 いくつかのアンサンブルモデルは、ブロックされたシーケンシャルプロシージャを使用して、バッグ外予測を生成する。 その結果,基本学習者の重み付き平均に基づくアンサンブルモデルは,個々のモデルよりも優れていた。
  論文  参考訳（メタデータ） (2020-01-18T03:55:20Z)

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。