論文の概要: Agent-Based Post-Hoc Correction of Agricultural Yield Forecasts

• arxiv url: http://arxiv.org/abs/2605.12375v1
• Date: Tue, 12 May 2026 16:41:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:57.02282
• Title: Agent-Based Post-Hoc Correction of Agricultural Yield Forecasts
• Title（参考訳）: 農業収量予測におけるエージェントベースポストホック補正
• Authors: Matthew Beddows, Aiden Durrant, Georgios Leontidis,
• Abstract要約: 本稿では,既存のモデル予測のポストホック補正を行う構造化LLMフレームワークを提案する。 XGBoostはMAEを20%減らし,MASEを56%減らした。 LLaVA 13Bは不整合ゲインを示し、精製モデルの選択に対する感度を強調した。
• 参考スコア（独自算出の注目度）: 2.1092185983505396
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate crop yield forecasting in commercial soft fruit production is constrained by the data available in typical commercial farm records, which lack the sensor networks, satellite imagery, and high-resolution meteorological inputs that most state-of-the-art approaches assume. We propose a structured LLM agent framework that performs post-hoc correction of existing model predictions, encoding agricultural domain knowledge across tools for phase detection, bias learning, and range validation. Evaluated on a proprietary strawberry yield dataset and a public USDA corn harvest dataset, agent refinement of XGBoost reduced MAE by 20% and MASE by 56% on strawberry, with consistent improvements across Moirai2 (MAE 24%, MASE 22%) and Random Forest (MAE 28%, MASE 66%) baselines. Using Llama 3.1 8B as the agent produced the strongest corrections across all configurations; LLaVA 13B showed inconsistent gains, highlighting sensitivity to the choice of refinement model.
• Abstract（参考訳）: 市販のソフトフルーツ生産における正確な収穫量予測は、センサネットワーク、衛星画像、そしてほとんどの最先端のアプローチが想定する高解像度気象入力を欠いている典型的な商業農場記録で利用可能なデータによって制限される。 既存のモデル予測のポストホック修正を行い、位相検出、バイアス学習、範囲検証のためのツール間で農業分野の知識を符号化する構造化LLMエージェントフレームワークを提案する。 プライエタリなイチゴ収量データセットとUSDAトウモロコシ収量データセットに基づいて、XGBoostのエージェント精製により、モイライ2(MAE 24%、MASE 22%)とランダムフォレスト(MAE 28%、MASE 66%)のベースラインに一貫した改良が加えられた。 Llama 3.1 8Bは全ての構成で最強の補正を行い、LLaVA 13Bは不整合ゲインを示し、改良モデルの選択に対する感度を強調した。

関連論文リスト

• AgriPath: A Systematic Exploration of Architectural Trade-offs for Crop Disease Classification [45.52399819498234]
  本研究は、細粒度作物病分類のための3つのモデルパラダイムの体系的比較を示す。 我々は16の作物と41の病気にまたがる111kの画像を含むベンチマークであるAgriPath-LF16を紹介する。 CNNは画像の精度が最も高いが、ドメインシフトによって劣化する。 対照的なVLMは、競合するクロスドメイン性能を持つ堅牢でパラメータ効率の良い代替手段を提供する。
  論文  参考訳（メタデータ） (2026-03-08T17:28:01Z)
• Are vision-language models ready to zero-shot replace supervised classification models in agriculture? [0.8594140167290097]
  視覚モデル(VLM)は、視覚認識タスクのための汎用的なソリューションとして提案されている。 我々は、AgMLコレクションから27の農業分類データセットに基づいて、多様なオープンおよびクローズドソースのVLMをベンチマークする。
  論文  参考訳（メタデータ） (2025-12-17T21:22:44Z)
• A Hybrid CNN-ViT-GNN Framework with GAN-Based Augmentation for Intelligent Weed Detection in Precision Agriculture [0.0]
  本稿では,雑草検出のためのハイブリッドディープラーニングフレームワークのレシピを提案する。 クラスロバスト性をバランスさせ,モデルの一般化を図るため,GANに基づく拡張手法が導入された。 実験結果は、99.33%の精度、精度、リコール、マルチベンチマークデータセット上のF1スコアで優れた結果が得られる。
  論文  参考訳（メタデータ） (2025-11-19T15:32:08Z)
• Improved Anomaly Detection through Conditional Latent Space VAE Ensembles [49.1574468325115]
  条件付きラテント空間変分オートエンコーダ(CL-VAE)は、既知の不整形クラスと未知の不整形クラスを持つデータに対する異常検出のための前処理を改善した。 モデルでは異常検出の精度が向上し、MNISTデータセットで97.4%のAUCが達成された。 さらに、CL-VAEは、アンサンブルの利点、より解釈可能な潜在空間、モデルサイズに制限のある複雑なデータでパターンを学習する能力の増大を示す。
  論文  参考訳（メタデータ） (2024-10-16T07:48:53Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Sparse Attention Regression Network Based Soil Fertility Prediction With Ummaso [0.0]
  主な目的は、不均一なデータ分布の影響を克服し、土壌肥育モデルの予測精度を改善することである。 導入されたモデルはスパースアテンションレグレッションを使用しており、不均衡なデータセットから関連する機能を効果的に取り入れている。 提案モデルでは,優れた性能指標が得られ,予測精度は98%に達した。
  論文  参考訳（メタデータ） (2024-04-16T04:17:17Z)
• Reliability Scores from Saliency Map Clusters for Improved Image-based Harvest-Readiness Prediction in Cauliflower [3.7483027039108197]
  我々は、解釈可能な機械学習を用いて、収穫可読性分類器の信頼性を解析する。 目に見えないデータの場合、信頼性は農家に意思決定の改善を知らせるために利用することができる。 全体の精度を88.14%に15.72%改善し、GrowliFlowerデータセットの平均クラス精度を88.52%に15.44%改善しました。
  論文  参考訳（メタデータ） (2023-05-24T13:48:36Z)
• Fair-CDA: Continuous and Directional Augmentation for Group Fairness [48.84385689186208]
  公正な制約を課すための詳細なデータ拡張戦略を提案する。 グループ間の感性のある特徴の遷移経路のモデルを正規化することにより、グループフェアネスを実現することができることを示す。 提案手法はデータ生成モデルを仮定せず,精度と公平性の両方に優れた一般化を実現する。
  論文  参考訳（メタデータ） (2023-04-01T11:23:00Z)
• Chasing Fairness Under Distribution Shift: A Model Weight Perturbation Approach [72.19525160912943]
  まず,分布シフト,データ摂動,モデルウェイト摂動の関連性を理論的に検証した。 次に、ターゲットデータセットの公平性を保証するのに十分な条件を分析します。 これらの十分な条件により、ロバストフェアネス正則化(RFR)を提案する。
  論文  参考訳（メタデータ） (2023-03-06T17:19:23Z)
• End-to-end deep learning for directly estimating grape yield from ground-based imagery [53.086864957064876]
  本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。 オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。 本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
  論文  参考訳（メタデータ） (2022-08-04T01:34:46Z)

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。