論文の概要: Neural Federated Learning for Livestock Growth Prediction
- arxiv url: http://arxiv.org/abs/2603.28117v1
- Date: Mon, 30 Mar 2026 07:29:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-31 23:18:45.27708
- Title: Neural Federated Learning for Livestock Growth Prediction
- Title（参考訳）: 家畜成長予測のためのニューラルフェデレーション学習
- Authors: Shoujin Wang, Mingze Ni, Wei Liu, Victor W. Chu, Kenny Sabir, Bryan Zheng, Ayush Kanwal, Roy Jing Yang, Fang Chen,
- Abstract要約: 家畜の生育予測は、農業経営の最適化と家畜生産の効率性と持続可能性の向上に不可欠である。
既存のバイオ物理モデルは、固定された定式化に依存しているが、ほとんどの機械学習アプローチは、小さな独立したデータセットで訓練されている。
我々は,家畜の成長予測に特化して設計された,最初のフェデレート学習フレームワークであるLivestockFLを提案する。
- 参考スコア（独自算出の注目度）: 11.745373663870017
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Livestock growth prediction is essential for optimising farm management and improving the efficiency and sustainability of livestock production, yet it remains underexplored due to limited large-scale datasets and privacy concerns surrounding farm-level data. Existing biophysical models rely on fixed formulations, while most machine learning approaches are trained on small, isolated datasets, limiting their robustness and generalisability. To address these challenges, we propose LivestockFL, the first federated learning framework specifically designed for livestock growth prediction. LivestockFL enables collaborative model training across distributed farms without sharing raw data, thereby preserving data privacy while alleviating data sparsity, particularly for farms with limited historical records. The framework employs a neural architecture based on a Gated Recurrent Unit combined with a multilayer perceptron to model temporal growth patterns from historical weight records and auxiliary features. We further introduce LivestockPFL, a novel personalised federated learning framework that extends the above federated learning framework with a personalized prediction head trained on each farm's local data, producing farm-specific predictors. Experiments on a real-world dataset demonstrate the effectiveness and practicality of the proposed approaches.
- Abstract（参考訳）: 家畜の生育予測は、農業経営の最適化と家畜生産の効率と持続可能性の向上に不可欠であるが、大規模なデータセットの制限と農業レベルのデータを取り巻くプライバシー上の懸念のため、未探索のままである。
既存のバイオ物理モデルは、固定された定式化に依存しているが、機械学習のアプローチの多くは、小さな独立したデータセットで訓練されており、その堅牢性と一般性を制限する。
これらの課題に対処するために,家畜の成長予測に特化して設計された,最初のフェデレート学習フレームワークであるLivestockFLを提案する。
LivestockFLは、生データを共有せずに、分散ファーム間のコラボレーティブモデルトレーニングを可能にし、データスパリティを緩和しながらデータのプライバシを保存する。
このフレームワークは、Gated Recurrent Unitに基づくニューラルアーキテクチャと多層パーセプトロンを組み合わせて、歴史的重み記録と補助的特徴から時間的成長パターンをモデル化する。
さらに、各農家のローカルデータに基づいてトレーニングされたパーソナライズされた予測ヘッドを用いて、上記のフェデレーション学習フレームワークを拡張した、新しい個人化されたフェデレーション学習フレームワークであるLivestockPFLを紹介する。
実世界のデータセットを用いた実験は,提案手法の有効性と実用性を示す。
関連論文リスト
- Cross-Species Transfer Learning in Agricultural AI: Evaluating ZebraPose Adaptation for Dairy Cattle Pose Estimation [0.6999740786886536]
本研究は,異種間移動学習の可能性と限界を評価する。
本研究では,シマウマの実環境下での乳牛の27キーポイント検出のために,人工ゼブラ画像に基づいて訓練された視覚トランスフォーマーモデルを適用した。
論文 参考訳（メタデータ） (2025-10-26T10:31:22Z) - Learning More with Less: A Generalizable, Self-Supervised Framework for Privacy-Preserving Capacity Estimation with EV Charging Data [84.37348569981307]
自己教師付き事前学習に基づく第一種能力推定モデルを提案する。
我々のモデルは一貫して最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2025-10-05T08:58:35Z) - Privacy-Preserving Methods for Bug Severity Prediction [0.0]
ソースコードメトリクスと大規模言語モデルを用いたメソッドレベルのバグ重大度予測について検討する。
集中学習,フェデレート学習,合成データ生成を用いて学習したモデルの性能を比較した。
我々の発見は、産業環境で効果的なバグの深刻度予測を可能にするために、プライバシー保護アプローチの可能性を強調している。
論文 参考訳（メタデータ） (2025-06-28T04:40:51Z) - FedAWA: Adaptive Optimization of Aggregation Weights in Federated Learning Using Client Vectors [50.131271229165165]
Federated Learning (FL)は、分散機械学習のための有望なフレームワークとして登場した。
ユーザの行動、好み、デバイス特性の相違から生じるデータの異質性は、連合学習にとって重要な課題である。
本稿では,学習過程におけるクライアントベクトルに基づくアダプティブ重み付けを適応的に調整する手法であるAdaptive Weight Aggregation (FedAWA)を提案する。
論文 参考訳（メタデータ） (2025-03-20T04:49:40Z) - Public Computer Vision Datasets for Precision Livestock Farming: A Systematic Survey [3.3651853492305177]
本研究は,家畜のCVデータセットの公開に関する最初の体系的な調査である。
58の公開データセットのうち、ほぼ半分は牛用で、続いて豚、鶏、その他の動物が続く。
個人の動物検出とカラーイメージングは、家畜にとって主要な応用であり、画像のモダリティである。
論文 参考訳（メタデータ） (2024-06-15T13:22:41Z) - FewFedPIT: Towards Privacy-preserving and Few-shot Federated Instruction Tuning [54.26614091429253]
フェデレーション・インストラクション・チューニング(FedIT)は、複数のデータ所有者間で協調的なトレーニングを統合することで、有望なソリューションである。
FedITは、インストラクショナルデータの不足や、トレーニングデータ抽出攻撃への露出リスクなどの制限に直面している。
本稿では,FewFedPITを提案する。このFewFedPITは,フェデレートされた数ショット学習のプライバシー保護とモデル性能を同時に向上する。
論文 参考訳（メタデータ） (2024-03-10T08:41:22Z) - Pushing the Limits of Pre-training for Time Series Forecasting in the
CloudOps Domain [54.67888148566323]
クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。
強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。
これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
論文 参考訳（メタデータ） (2023-10-08T08:09:51Z) - Standardizing and Centralizing Datasets to Enable Efficient Training of
Agricultural Deep Learning Models [0.0]
ディープラーニングモデルは通常、より一般的な非農業的なデータセットに適したモデルウェイトを使用して、農業タスクに微調整される。
3つの異なるタスクのために、さまざまな公開データセットを収集し、それらを標準化し、標準トレーニングと評価パイプラインを構築します。
深層学習によく用いられる手法を用いて,多くの実験を行ったが,その分野固有の農業分野への応用については明らかにされていない。
論文 参考訳（メタデータ） (2022-08-04T15:10:36Z) - Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。
我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。
そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
論文 参考訳（メタデータ） (2020-05-18T09:36:51Z)
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。