論文の概要: Explainable AI for Smart Greenhouse Control: Interpretability of Temporal Fusion Transformer in the Internet of Robotic Things

• arxiv url: http://arxiv.org/abs/2512.11852v1
• Date: Thu, 04 Dec 2025 19:41:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-21 14:22:08.725688
• Title: Explainable AI for Smart Greenhouse Control: Interpretability of Temporal Fusion Transformer in the Internet of Robotic Things
• Title（参考訳）: スマート温室制御のための説明可能なAI:ロボット物のインターネットにおけるテンポラルフュージョントランスの解釈可能性
• Authors: Muhammad Jawad Bashir, Shagufta Henna, Eoghan Furey,
• Abstract要約: 本研究では、TFTモデルを用いて、最適温室管理のためのアクチュエータ設定を自動化する。 モデル意思決定プロセスにおける解釈可能性と信頼を高めるために,局所的およびグローバル的説明手法が採用された。 トレーニングされたTFTモデルは、自動温室環境におけるアクチュエータ制御設定のためのクラス不均衡データセットで95%の精度を達成した。
• 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 integration of the Internet of Robotic Things (IoRT) in smart greenhouses has revolutionised precision agriculture by enabling efficient and autonomous environmental control. However, existing time series forecasting models in such setups often operate as black boxes, lacking mechanisms for explainable decision-making, which is a critical limitation when trust, transparency, and regulatory compliance are paramount in smart farming practices. This study leverages the Temporal Fusion Transformer (TFT) model to automate actuator settings for optimal greenhouse management. To enhance interpretability and trust in the model decision-making process, both local and global explanation techniques were employed using model-inherent interpretation, local interpretable model-agnostic explanations (LIME), and SHapley additive explanations (SHAP). These explainability methods provide information on how different sensor readings, such as temperature, humidity, CO2 levels, light, and outer climate, contribute to actuator control decisions in an automated greenhouse. The trained TFT model achieved a test accuracy of 95% on a class-imbalanced dataset for actuator control settings in an automated greenhouse environment. The results demonstrate the varying influence of each sensor on real-time greenhouse adjustments, ensuring transparency and enabling adaptive fine-tuning for improved crop yield and resource efficiency.
• Abstract（参考訳）: スマート温室におけるIoT(Internet of Robotic Things, IoRT)の統合は, 効率的かつ自律的な環境制御を実現することによって, 精密農業に革命をもたらした。 しかし、既存の時系列予測モデルはブラックボックスとして運用されることが多く、信頼、透明性、規制遵守がスマート農業の実践において最重要となる重要な制限である説明可能な意思決定のメカニズムが欠如している。 本研究では、TFTモデルを用いて、最適温室管理のためのアクチュエータ設定を自動化する。 モデル決定過程における解釈可能性と信頼性を高めるため,局所的およびグローバルな説明手法をモデル独立解釈,局所的解釈可能なモデル非依存説明(LIME),シェプリー加法的説明(SHAP)を用いて用いた。 これらの説明可能性法は、温度、湿度、CO2濃度、光、外気温などの異なるセンサーの読み取りが、自動温室におけるアクチュエータ制御の決定にどのように貢献するかを情報を提供する。 トレーニングされたTFTモデルは、自動温室環境におけるアクチュエータ制御設定のためのクラス不均衡データセットで95%の精度を達成した。 その結果、各センサがリアルタイムな温室調整に様々な影響を及ぼし、透明性を確保し、作物収量と資源効率を向上させるための適応的な微調整を可能にした。

関連論文リスト

• Physics-Informed Large Language Models for HVAC Anomaly Detection with Autonomous Rule Generation [2.5352713493505785]
  暖房、換気、エアコンは、世界の建築エネルギー利用のかなりの割合を占めている。 我々は、進化ループ内で動作し、異常検出ルールを自動生成、評価、精査する物理インフォームドLLMフレームワークであるPILLMを提案する。 提案手法では, 熱力学的・制御論的制約を埋め込んだ物理インフォームド・リフレクションとクロスオーバー演算子を導入し, 適応的・物理的基礎的ルールを実現する。
  論文  参考訳（メタデータ） (2025-10-20T04:43:36Z)
• LANGTRAJ: Diffusion Model and Dataset for Language-Conditioned Trajectory Simulation [102.1527101235251]
  LangTrajは、トラフィックシナリオにおけるすべてのエージェントの共同動作をシミュレートする、言語条件のシーン拡散モデルである。 自然言語入力を条件付けすることで、LangTrajはインタラクティブな振る舞いを柔軟かつ直感的に制御できる。 LangTraj氏は、リアリズム、言語制御性、言語条件の安全クリティカルなシミュレーションにおいて、強力なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-04-15T17:14:06Z)
• Scene-Aware Explainable Multimodal Trajectory Prediction [15.58042746234974]
  説明可能な条件拡散に基づくマルチモーダル軌道予測(DMTP)モデルを提案する。 本モデルでは,マルチモーダルな軌道パターンを捉えるために条件拡散法を改良し,大域的特徴とシナリオ固有の特徴の意義を評価するためにシェープ値モデルを改良した。 実験により,本モデルが重要な入力の同定に優れ,精度でベースラインモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-10-22T08:17:33Z)
• GreenLight-Gym: Reinforcement learning benchmark environment for control of greenhouse production systems [0.0]
  GreenLight-Gymは、温室作物生産管理における強化学習手法を開発するための、高速でオープンソースのベンチマーク環境である。 CasADiフレームワークを活用して、効率的な数値統合を実現する。 モジュール化されたPython環境ラッパーは、コントロールタスクとRLベースのコントローラの柔軟な構成を可能にする。
  論文  参考訳（メタデータ） (2024-10-06T18:25:23Z)
• Scenario-based Thermal Management Parametrization Through Deep Reinforcement Learning [0.4218593777811082]
  本稿では,熱管理機能に対する学習に基づくチューニング手法を提案する。 我々の深層強化学習エージェントは、チューニングタスクコンテキストを処理し、組込みパラメータセットのイメージベースの解釈を組み込む。 本稿では,バルブ制御器のパラメトリゼーションタスクへの適用性を実証し,実際の車両試験で検証する。
  論文  参考訳（メタデータ） (2024-08-04T13:19:45Z)
• Exploring Latent Pathways: Enhancing the Interpretability of Autonomous Driving with a Variational Autoencoder [79.70947339175572]
  バイオインスパイアされたニューラルサーキットポリシーモデルが革新的な制御モジュールとして登場した。 我々は、変分オートエンコーダとニューラルネットワークポリシーコントローラを統合することで、飛躍的に前進する。 本研究は,変分オートエンコーダへのアーキテクチャシフトに加えて,自動潜時摂動ツールを導入する。
  論文  参考訳（メタデータ） (2024-04-02T09:05:47Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model Predictive Control [46.81433026280051]
  本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。 我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
  論文  参考訳（メタデータ） (2022-10-23T00:45:05Z)
• Interpreting Machine Learning Models for Room Temperature Prediction in Non-domestic Buildings [0.0]
  本研究では,非住宅の室温予測を目的とした解釈可能な機械学習モデルを提案する。 提案モデルでは, 室温をリアルタイムで8時間前に正確に予測できることを実験的に実証した。
  論文  参考訳（メタデータ） (2021-11-23T11:16:35Z)

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。