論文の概要: Enhancing Smart Farming Through Federated Learning: A Secure, Scalable, and Efficient Approach for AI-Driven Agriculture
- arxiv url: http://arxiv.org/abs/2509.12363v1
- Date: Mon, 15 Sep 2025 18:57:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-17 17:50:52.722853
- Title: Enhancing Smart Farming Through Federated Learning: A Secure, Scalable, and Efficient Approach for AI-Driven Agriculture
- Title（参考訳）: フェデレーション学習によるスマートファーミングの強化:AI駆動農業におけるセキュアでスケーラブルで効率的なアプローチ
- Authors: Ritesh Janga, Rushit Dave,
- Abstract要約: 本研究は,作物病検出のためのスケーラブルで効率的かつセキュアなソリューションを開発することを目的とした,スマート農業のための連合学習フレームワークを提案する。
本提案手法は, 農作物病の分類において, センシティブな農作物データをローカルに維持し, 協調的モデル更新を可能にすることによって, 高い精度で作物病の分類を実現することを目的とする。
ミネソタ州の農家からのデータ収集,ローカルなディープラーニングアルゴリズムの適用,トランスファーラーニング,モデルリファインメントのための集中集約サーバなどについて概説する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The agricultural sector is undergoing a transformation with the integration of advanced technologies, particularly in data-driven decision-making. This work proposes a federated learning framework for smart farming, aiming to develop a scalable, efficient, and secure solution for crop disease detection tailored to the environmental and operational conditions of Minnesota farms. By maintaining sensitive farm data locally and enabling collaborative model updates, our proposed framework seeks to achieve high accuracy in crop disease classification without compromising data privacy. We outline a methodology involving data collection from Minnesota farms, application of local deep learning algorithms, transfer learning, and a central aggregation server for model refinement, aiming to achieve improved accuracy in disease detection, good generalization across agricultural scenarios, lower costs in communication and training time, and earlier identification and intervention against diseases in future implementations. We outline a methodology and anticipated outcomes, setting the stage for empirical validation in subsequent studies. This work comes in a context where more and more demand for data-driven interpretations in agriculture has to be weighed with concerns about privacy from farms that are hesitant to share their operational data. This will be important to provide a secure and efficient disease detection method that can finally revolutionize smart farming systems and solve local agricultural problems with data confidentiality. In doing so, this paper bridges the gap between advanced machine learning techniques and the practical, privacy-sensitive needs of farmers in Minnesota and beyond, leveraging the benefits of federated learning.
- Abstract（参考訳）: 農業セクターは、特にデータ駆動による意思決定において、先進的な技術の統合によって変革を遂げている。
本研究は,ミネソタ農場の環境・運用条件に合わせて,スケーラブルで効率的かつセキュアな作物病検出ソリューションを開発することを目的とした,スマート農業のための連合学習フレームワークを提案する。
本提案手法は,データプライバシを損なうことなく,農作物病の分類の精度を高めることを目的としている。
本稿では,ミネソタ州の農家のデータ収集,ローカルディープラーニングアルゴリズムの適用,トランスファーラーニング,モデルリファインメントのための中央集約サーバなどの方法論について概説する。
我々は方法論と今後の成果を概説し、その後の研究における実証的検証の段階を定めている。
この作業は、農業におけるデータ駆動の解釈に対する需要が、自分たちの運用データを共有することをためらう農家のプライバシーに関する懸念によって、ますます高まらなければならない状況にある。
これは、スマート農業システムに革命をもたらし、データの機密性によって地元の農業問題を解決する、安全で効率的な病気検出方法を提供することが重要である。
そこで本論文は、先進的な機械学習技術と、ミネソタ州などにおける農家の実践的でプライバシーに敏感なニーズとのギャップを橋渡しし、フェデレートラーニングの利点を活用する。
関連論文リスト
- AgriSentinel: Privacy-Enhanced Embedded-LLM Crop Disease Alerting System [9.908994163061676]
作物病は世界の食料安全保障、農業生産性、持続可能な農業慣行に重大な脅威をもたらす。
本稿では,最初のプライバシ強化組込みLLM作物病治療システムであるAgriSentinelを提案する。
AgriSentinelは、分類精度を維持しながら、機密性の高い作物画像データを保護するために、差分プライバシーメカニズムを組み込んでいる。
論文 参考訳（メタデータ） (2025-09-11T02:29:19Z) - 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) - Empowering Digital Agriculture: A Privacy-Preserving Framework for Data Sharing and Collaborative Research [1.6000462052866455]
データ駆動農業は、収穫量、病気の回復力、長期的な土壌の健全性を改善する可能性がある。
しかし、価格の悪さ、差別、資源操作といったプライバシー上の懸念により、農家はデータの共有を妨げている。
研究・開発のためのセキュアなデータ共有と協調を可能にするプライバシー保護フレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-25T22:46:30Z) - Farm-LightSeek: An Edge-centric Multimodal Agricultural IoT Data Analytics Framework with Lightweight LLMs [8.54781439289805]
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。
論文 参考訳（メタデータ） (2025-05-28T14:09:36Z) - 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) - 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) - Empowering Agrifood System with Artificial Intelligence: A Survey of the Progress, Challenges and Opportunities [86.89427012495457]
我々は、AI技術がアグリフードシステムをどう変え、現代のアグリフード産業に貢献するかをレビューする。
本稿では,農業,畜産,漁業において,アグリフードシステムにおけるAI手法の進歩について概説する。
我々は、AIで現代のアグリフードシステムを変革するための潜在的な課題と有望な研究機会を強調します。
論文 参考訳（メタデータ） (2023-05-03T05:16:54Z) - Domain Generalization for Crop Segmentation with Standardized Ensemble Knowledge Distillation [42.39035033967183]
サービスロボットは、周囲を理解し、野生のターゲットを識別するリアルタイム認識システムが必要です。
しかし、既存の方法はしばしば、新しい作物や環境条件への一般化において不足している。
本稿では,知識蒸留を用いた領域一般化手法を提案する。
論文 参考訳（メタデータ） (2023-04-03T14:28:29Z) - Learning from Data to Optimize Control in Precision Farming [77.34726150561087]
特集は、統計的推論、機械学習、精密農業のための最適制御における最新の発展を示す。
衛星の位置決めとナビゲーションとそれに続くInternet-of-Thingsは、リアルタイムで農業プロセスの最適化に使用できる膨大な情報を生成する。
論文 参考訳（メタデータ） (2020-07-07T12:44:17Z) - Crop Knowledge Discovery Based on Agricultural Big Data Integration [2.597676155371155]
農業データは、IoT(Internet of Thing)、センサー、衛星、気象観測所、ロボット、農業機器、農業実験所、農家、政府機関、農業機関など、さまざまなソースを通じて生成される。
本稿では,他のデータセットやビッグデータモデルを組み込むのに十分なフレキシブルなコンステレーションスキーマを用いた農業データ統合手法を提案する。
論文 参考訳（メタデータ） (2020-03-11T00:13:17Z)
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。