論文の概要: A Bayesian Updating Framework for Long-term Multi-Environment Trial Data in Plant Breeding

• arxiv url: http://arxiv.org/abs/2604.16203v1
• Date: Fri, 17 Apr 2026 16:14:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.995979
• Title: A Bayesian Updating Framework for Long-term Multi-Environment Trial Data in Plant Breeding
• Title（参考訳）: 植物育種における長期マルチ環境試験データのベイズ更新フレームワーク
• Authors: Stephan Bark, Waqas Ahmed Malik, Maryna Prus, Hans-Peter Piepho, Volker Schmid,
• Abstract要約: 各種試験において,多環境試験(MET)は作物の遺伝的特性を評価する上で不可欠である。 METデータの統計解析における永続的な課題は、分散成分の推定である。 本稿では,分散成分推定の安定化と不確実性の定量化のために,履歴情報を統合したベイズフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In variety testing, multi-environment trials (MET) are essential for evaluating the genotypic performance of crop plants. A persistent challenge in the statistical analysis of MET data is the estimation of variance components, which are often still inaccurately estimated or shrunk to exactly zero when using residual (restricted) maximum likelihood (REML) approaches. At the same time, institutions conducting MET typically possess extensive historical data that can, in principle, be leveraged to improve variance component estimation. However, these data are rarely incorporated sufficiently. The purpose of this paper is to address this gap by proposing a Bayesian framework that systematically integrates historical information to stabilize variance component estimation and better quantify uncertainty. Our Bayesian linear mixed model (BLMM) reformulation uses priors and Markov chain Monte Carlo (MCMC) methods to maintain the variance components as positive, yielding more realistic distributional estimates. Furthermore, our model incorporates historical prior information by managing MET data in successive historical data windows. Variance component prior and posterior distributions are shown to be conjugate and belong to the inverse gamma and inverse Wishart families. While Bayesian methodology is increasingly being used for analyzing MET data, to the best of our knowledge, this study comprises one of the first serious attempts to objectively inform priors in the context of MET data. This refers to the proposed Bayesian updating approach. To demonstrate the framework, we consider an application where posterior variance component samples are plugged into an A-optimality experimental design criterion to determine the average optimal allocations of trials to agro-ecological zones in a sub-divided target population of environments (TPE).
• Abstract（参考訳）: 各種試験において,多環境試験(MET)は作物の遺伝的特性を評価する上で不可欠である。 METデータの統計解析における永続的な課題は、残留(制限された)最大可能性(REML)アプローチを使用する場合、しばしば不正確な推定または正確にゼロに縮小される分散成分の推定である。 同時に、METを統括する機関は、典型的には、分散成分推定を改善するために、原則として活用できる広範な歴史的データを持っている。 しかし、これらのデータは十分に組み込まれることはめったにない。 本研究の目的は,歴史的情報を体系的に統合して分散成分推定を安定化し,不確実性を定量化するベイズ的枠組みによって,このギャップに対処することである。 ベイズ線形混合モデル (BLMM) の改定では, マルコフ連鎖モンテカルロ法 (MCMC) を用いて, 分散成分を正に維持し, より現実的な分布推定を行う。 さらに, 連続した履歴データウィンドウにおけるMETデータ管理により, 過去の履歴情報を組み込んだモデルを提案する。 後方分布と後方分布は共役であることが示され、逆ガンマ系および逆ウィッシュアート系に属する。 ベイズ的手法はMETデータの分析に利用されつつあるが、私たちの知る限りでは、この研究はMETデータの文脈における先行情報を客観的に伝える最初の真剣な試みの1つである。 これは提案されたベイズ更新アプローチを指す。 この枠組みを実証するために, 後方分散成分試料をA-最適設計基準に挿入し, 環境のサブ分割されたターゲット集団 (TPE) におけるアグロ・エコロジー・ゾーンへの試行の平均最適割り当てを決定するアプリケーションについて検討する。

関連論文リスト

• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• HybridoNet-Adapt: A Domain-Adapted Framework for Accurate Lithium-Ion Battery RUL Prediction [0.6306103927990603]
  本稿では,ドメイン適応(DA)技術を組み込んだ新しいRUL予測フレームワークを提案する。 本フレームワークは,ノイズ低減,特徴抽出,正規化を含む信号前処理パイプラインを,堅牢なディープラーニングモデルと統合する。 実験の結果、HybridoNet Adaptは従来のモデルよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-03-27T11:35:25Z)
• Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
  この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。 第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。 第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
  論文  参考訳（メタデータ） (2025-02-11T19:24:09Z)
• Assumption-Lean Post-Integrated Inference with Surrogate Control Outcomes [6.448728765953916]
  制御結果を用いて遅延不均一性を調整する頑健なポストインテグレート推論(PII)手法を提案する。 我々は、予測された直接効果推定に関する半パラメトリック推論を開発し、隠された仲介者、共同設立者、モデレーターを考慮に入れた。 提案された二重頑健な推定器は、最小の仮定と潜在的な不特定性の下で一貫性があり、効率的である。
  論文  参考訳（メタデータ） (2024-10-07T12:52:38Z)
• Measuring Variable Importance in Heterogeneous Treatment Effects with Confidence [33.12963161545068]
  因果機械学習は、複雑なデータから個々の治療効果を推定する約束を持っている。 本稿では,条件付き置換法(CPI)に基づくアルゴリズムPermuCATEを提案する。 シミュレーションおよび実世界の健康データセットにおけるPermuCATEの利点を実証的に示す。
  論文  参考訳（メタデータ） (2024-08-23T11:44:07Z)
• Geometry-Aware Instrumental Variable Regression [56.16884466478886]
  本稿では,データ導出情報によるデータ多様体の幾何を考慮した移動型IV推定器を提案する。 本手法のプラグイン・アンド・プレイ実装は,標準設定で関連する推定器と同等に動作する。
  論文  参考訳（メタデータ） (2024-05-19T17:49:33Z)
• Multi-Fidelity Covariance Estimation in the Log-Euclidean Geometry [0.0]
  対称正定値多様体の対数ユークリッド幾何学を利用する共分散行列の多値推定器を導入する。 固定予算が与えられた推定器の平均二乗誤差を最小化する最適サンプル割り当て方式を開発した。 物理アプリケーションからのデータによるアプローチの評価は、ベンチマークと比較すると、より正確なメトリック学習と1桁以上のスピードアップを示している。
  論文  参考訳（メタデータ） (2023-01-31T16:33:46Z)
• Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma Distributions [91.63716984911278]
  このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。 実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
  論文  参考訳（メタデータ） (2021-11-11T14:28:12Z)
• Batch Stationary Distribution Estimation [98.18201132095066]
  サンプル遷移の組を与えられたエルゴードマルコフ鎖の定常分布を近似する問題を考える。 与えられたデータに対する補正比関数の復元に基づく一貫した推定器を提案する。
  論文  参考訳（メタデータ） (2020-03-02T09:10:01Z)

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。