論文の概要: Hierarchical Federated Learning for Crop Yield Prediction in Smart Agricultural Production Systems
- arxiv url: http://arxiv.org/abs/2510.12727v1
- Date: Tue, 14 Oct 2025 17:06:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-15 19:02:32.407163
- Title: Hierarchical Federated Learning for Crop Yield Prediction in Smart Agricultural Production Systems
- Title（参考訳）: スマート農業生産システムにおける作物収量予測のための階層的フェデレーション学習
- Authors: Anas Abouaomar, Mohammed El hanjri, Abdellatif Kobbane, Anis Laouiti, Khalid Nafil,
- Abstract要約: 本稿では,スマート農業生産システムと収量予測に特化して設計された,新しい階層型フェデレーション学習アーキテクチャを提案する。
本手法では,農耕期の始めに農作物が農作物特有のクラスターに合流する季節的な定期購読機構を導入する。
提案する3層アーキテクチャは,クライアントレベルでは個々のスマートファーム,中間層では作物特異的アグリゲータ,上位層ではグローバルモデルアグリゲータで構成されている。
- 参考スコア（独自算出の注目度）: 1.7833524695816205
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we presents a novel hierarchical federated learning architecture specifically designed for smart agricultural production systems and crop yield prediction. Our approach introduces a seasonal subscription mechanism where farms join crop-specific clusters at the beginning of each agricultural season. The proposed three-layer architecture consists of individual smart farms at the client level, crop-specific aggregators at the middle layer, and a global model aggregator at the top level. Within each crop cluster, clients collaboratively train specialized models tailored to specific crop types, which are then aggregated to produce a higher-level global model that integrates knowledge across multiple crops. This hierarchical design enables both local specialization for individual crop types and global generalization across diverse agricultural contexts while preserving data privacy and reducing communication overhead. Experiments demonstrate the effectiveness of the proposed system, showing that local and crop-layer models closely follow actual yield patterns with consistent alignment, significantly outperforming standard machine learning models. The results validate the advantages of hierarchical federated learning in the agricultural context, particularly for scenarios involving heterogeneous farming environments and privacy-sensitive agricultural data.
- Abstract（参考訳）: 本稿では,スマート農業生産システムと収量予測に特化して設計された,新しい階層型フェデレーション学習アーキテクチャを提案する。
本手法では,農耕期の始めに農作物が農作物特有のクラスターに合流する季節的な定期購読機構を導入する。
提案する3層アーキテクチャは,クライアントレベルでは個々のスマートファーム,中間層では作物特異的アグリゲータ,上位層ではグローバルモデルアグリゲータで構成されている。
各作物クラスタ内で、クライアントは特定の作物タイプに合わせた特別なモデルを共同でトレーニングし、それを集約して、複数の作物にまたがる知識を統合する高レベルなグローバルモデルを生成する。
この階層的な設計は、個々の作物の局所的な特殊化と、さまざまな農業状況におけるグローバルな一般化の両方を可能にすると同時に、データのプライバシの保護と通信オーバーヘッドの低減を可能にする。
実験により提案システムの有効性を実証し、局所的および作物層モデルは、一貫した整合性を持つ実際の収率パターンを忠実に追従し、標準機械学習モデルよりも著しく優れていることを示した。
その結果、農業における階層的連合学習の利点、特に異質な農業環境やプライバシに敏感な農業データを含むシナリオに対する利点が検証された。
関連論文リスト
- 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) - Improved Crop and Weed Detection with Diverse Data Ensemble Learning [18.490612639895893]
現代の農業は、現場における作物や雑草の正確な検出、地域化、定量化を必要とする、サイト・スペクティブ・ファーム・マネジメントの実践に大きく依存している。
既存の手法は、制御されていない畑の条件を考慮に入れた農業データを増強し、合成する。
我々は,他の作物や雑草に特有のデータを活用することを提案する。
論文 参考訳（メタデータ） (2023-10-02T10:05:30Z) - 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) - Federated and Generalized Person Re-identification through Domain and
Feature Hallucinating [88.77196261300699]
人物再識別(re-ID)におけるフェデレーションドメイン一般化(FedDG)の問題について検討する。
一般化された局所的・グローバルなモデルを学ぶための多様な特徴を創出する手法として,DFH (Domain and Feature Hallucinating) を提案する。
提案手法は4つの大規模re-IDベンチマークにおいてFedDGの最先端性能を実現する。
論文 参考訳（メタデータ） (2022-03-05T09:15:13Z)
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。