論文の概要: Spatio-Temporal Graph Neural Networks for Dairy Farm Sustainability Forecasting and Counterfactual Policy Analysis
- arxiv url: http://arxiv.org/abs/2512.19970v1
- Date: Tue, 23 Dec 2025 01:32:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-24 19:17:49.707286
- Title: Spatio-Temporal Graph Neural Networks for Dairy Farm Sustainability Forecasting and Counterfactual Policy Analysis
- Title（参考訳）: 農作物の持続可能性予測と政策分析のための時空間グラフニューラルネットワーク
- Authors: Surya Jayakumar, Kieran Sullivan, John McLaughlin, Christine O'Meara, Indrakshi Dey,
- Abstract要約: 本研究では,新しいデータ駆動型フレームワークを導入し,群集レベルの運用記録から合成持続可能性指標を予測するため,時空間グラフニューラルネットワーク(STGNN)を初めて郡規模で適用した。
この手法では、Irish Cattle Breeding Federationデータセットを増大させるために、VAE(VAE)を利用した、新しいエンドツーエンドパイプラインを採用している。
- 参考スコア（独自算出の注目度）: 1.1744028458220426
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study introduces a novel data-driven framework and the first-ever county-scale application of Spatio-Temporal Graph Neural Networks (STGNN) to forecast composite sustainability indices from herd-level operational records. The methodology employs a novel, end-to-end pipeline utilizing a Variational Autoencoder (VAE) to augment Irish Cattle Breeding Federation (ICBF) datasets, preserving joint distributions while mitigating sparsity. A first-ever pillar-based scoring formulation is derived via Principal Component Analysis, identifying Reproductive Efficiency, Genetic Management, Herd Health, and Herd Management, to construct weighted composite indices. These indices are modelled using a novel STGNN architecture that explicitly encodes geographic dependencies and non-linear temporal dynamics to generate multi-year forecasts for 2026-2030.
- Abstract（参考訳）: 本研究では,新しいデータ駆動型フレームワークを導入し,群集レベルの運用記録から合成持続可能性指標を予測するため,時空間グラフニューラルネットワーク(STGNN)を初めて郡規模で適用した。
この手法は、変分オートエンコーダ(VAE)を利用してアイルランド牛繁殖連盟(ICBF)のデータセットを増強し、間隔を緩和しながら共同分布を保存する、新しいエンドツーエンドパイプラインを採用している。
主成分分析により, 生産効率, 遺伝的管理, ハードヘルス, およびハードマネージメントを同定し, 重み付けされた複合指標を構築した。
これらの指標は、地理的依存関係と非線形時間ダイナミクスを明示的に符号化した新しいSTGNNアーキテクチャを用いてモデル化され、2026-2030年の複数年予測を生成する。
関連論文リスト
- Cyclical Temporal Encoding and Hybrid Deep Ensembles for Multistep Energy Forecasting [0.8594140167290097]
本稿では,周期的時間エンコーディングとハイブリッドLSTM-CNNアーキテクチャを統合した統合型ディープラーニングフレームワークを提案する。
我々の知る限り、これは統合短期エネルギー予測フレームワークにおいて、時間エンコーディング、カレンダーベースの特徴、ハイブリッドアンサンブルアーキテクチャを共同で評価する最初の試みである。
論文 参考訳（メタデータ） (2025-12-03T10:46:02Z) - Towards Improving Long-Tail Entity Predictions in Temporal Knowledge Graphs through Global Similarity and Weighted Sampling [53.11315884128402]
時間知識グラフ(TKG)補完モデルは、伝統的にトレーニング中にグラフ全体へのアクセスを前提としている。
本稿では,TKGに特化して設計されたインクリメンタルトレーニングフレームワークを提案する。
提案手法は,モデルに依存しない拡張層と加重サンプリング戦略を組み合わせることで,既存のTKG補完手法を拡張および改善することができる。
論文 参考訳（メタデータ） (2025-07-25T06:02:48Z) - Context Pooling: Query-specific Graph Pooling for Generic Inductive Link Prediction in Knowledge Graphs [55.918039693545616]
本稿では,知識グラフにおけるリンク予測に対するGNNモデルの有効性を高めるために,コンテキストプーリングという新しい手法を提案する。
提案手法は,3つのパブリック・トランスダクティブおよびインダクティブ・データセット上の2つの最先端(SOTA)モデルに適用することにより,汎用的評価を行う。
論文 参考訳（メタデータ） (2025-07-10T09:54:37Z) - Time-Series Forecasting via Topological Information Supervised Framework with Efficient Topological Feature Learning [0.0]
トポロジカルデータ分析(TDA)は、複雑なデータ構造から意味のある特徴を抽出する強力なツールとして登場した。
その成功にもかかわらず、TDAと時系列予測の統合は未定である。
本研究では,ニューラルネットワークとCGANを利用して合成トポロジ的特徴を生成するトポロジカル情報監視(TIS)予測フレームワークを提案する。
論文 参考訳（メタデータ） (2025-03-31T06:16:19Z) - Persistent Homology-induced Graph Ensembles for Time Series Regressions [1.5728609542259502]
永続ホモロジーフィルタに基づくグラフニューラルネットワークのアンサンブルを作成する。
アンサンブルは、注目に基づくルーティング機構を介して、個々の学習者からの信号を集約する。
地震活動予測と交通予測に関する4つの異なる実世界の実験は、我々のアプローチが一本のグラフベースラインを一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2025-03-18T13:22:52Z) - Challenging the Myth of Graph Collaborative Filtering: a Reasoned and Reproducibility-driven Analysis [50.972595036856035]
本稿では,6つの人気グラフと最近のグラフ推薦モデルの結果を再現するコードを提案する。
これらのグラフモデルと従来の協調フィルタリングモデルを比較する。
ユーザの近所からの情報フローを調べることにより,データセット構造における内在的特徴にどのようなモデルが影響するかを同定することを目的とする。
論文 参考訳（メタデータ） (2023-08-01T09:31:44Z) - Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。
EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。
理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2022-02-05T02:31:01Z) - Recent Developments Combining Ensemble Smoother and Deep Generative
Networks for Facies History Matching [58.720142291102135]
本研究は、ファシズムモデルのための連続パラメータ化を構築するためのオートエンコーダネットワークの利用に焦点を当てる。
本稿では,VAE,GAN,Wasserstein GAN,変分自動符号化GAN,サイクルGANの主成分分析(PCA),転送スタイルネットワークのPCA,スタイル損失のVAEの7種類の定式化をベンチマークする。
論文 参考訳（メタデータ） (2020-05-08T21:32:42Z)
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。