論文の概要: PhenoNEST: A Neuro-Symbolic Framework for Ontology-Aware Multimodal Plant Phenotyping and Trait Discovery

• arxiv url: http://arxiv.org/abs/2607.03245v1
• Date: Fri, 03 Jul 2026 12:00:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.564676
• Title: PhenoNEST: A Neuro-Symbolic Framework for Ontology-Aware Multimodal Plant Phenotyping and Trait Discovery
• Title（参考訳）: PhenoNEST: オントロジーを意識したマルチモーダル植物表現とトレートディスカバリのためのニューロシンボリックフレームワーク
• Abstract要約: 遺伝子型とフェンフェンの相互作用を時間と実験で監視する多モード知識グラフを構築するためのフレームワークを提案する。 我々は,複雑な天蓋環境をまたいだ代表的なターゲット作物として,コムギTriticum aestivumに焦点をあてた。 これにより、小麦品種のフィールドノート自動監査、時間的ストレスモニタリング、正確な空間特性の局在化が可能になる。
• 参考スコア（独自算出の注目度）: 0.12107297090229684
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-throughput plant phenotyping generates valuable data that often remains trapped in unstructured text and isolated RGB images. To bridge this semantic gap, we propose a framework for constructing a multimodal granular Knowledge Graph (KG) to monitor genotype-phenotype interactions across time and experiments. In this work, we focus on wheat Triticum aestivum as a representative target crop to validate our methodology across complex canopy environments. Our pipeline first distills noisy field notes to extract entities and relations, dynamically constructing the KG by converting unique instances into hierarchical class entities via RDF-typing. These graph nodes are then aligned with standardized ontologies (PO, RO, WTO) using PlantDeBERTa. To visually ground the constructed graph, a Vision-Language Model paired with a wheat-segmentation ViT generates attention-based softmaps, linking specific KG entities directly to image pixels. We introduce a central observation node Plant_Obs_Id to connect these multimodal subgraphs temporally. Evaluated on 500 curated WisWheat samples using Pointing Game accuracy, Visual Word Sense Disambiguation (VWSD), and rank-based metrics, our neuro-symbolic approach successfully maps complex field observations to a structured graph. This enables automated field note auditing, temporal stress monitoring, and precise spatial trait localization for wheat breeders.
• Abstract（参考訳）: 高スループットの植物表現型は、構造化されていないテキストや孤立したRGB画像に隠された貴重なデータを生成する。 このセマンティックギャップを埋めるために、時間と実験を通してジェノタイプ-フェノタイプ相互作用を監視するために、マルチモーダルな粒度の知識グラフ(KG)を構築するためのフレームワークを提案する。 本研究は,コムギのアエステビウムを対象作物として,複雑な天蓋環境における方法論の検証に焦点をあてる。 我々のパイプラインはまずノイズの多いフィールドノートを蒸留してエンティティとリレーションを抽出し、ユニークなインスタンスをRDFタイピングを介して階層的なクラスエンティティに変換することでKGを動的に構築する。 これらのグラフノードは PlantDeBERTa を使用して標準化オントロジー (PO, RO, WTO) と整列する。 構築したグラフを視覚的にグラウンド化するために、小麦分別ViTと組み合わせたビジョンランゲージモデルが注目ベースのソフトマップを生成し、特定のKGエンティティを直接画像画素にリンクする。 中央観測ノード Plant_Obs_Id を導入し,これらのマルチモーダル部分グラフを時間的に接続する。 Pointing Gameの精度、Visual Word Sense Disambiguation(VWSD)、ランクベースのメトリクスを用いて500個のWisWheatサンプルを評価した結果、我々のニューロシンボリックアプローチは複雑なフィールド観測を構造化グラフにマッピングすることに成功しました。 これにより、小麦品種のフィールドノート自動監査、時間的ストレスモニタリング、正確な空間特性の局在化が可能になる。

関連論文リスト

• VinePT-Map: Pole-Trunk Semantic Mapping for Resilient Autonomous Robotics in Vineyards [40.46631989657389]
  本稿ではVinePT-Mapについて紹介する。Vineトランクとサポートポールを永続的な構造的ランドマークとして活用するセマンティックマッピングフレームワークである。 提案手法は,GPS,IMU,RGB-D観測を頑健な幾何学的制約により統合し,因子グラフとしてマッピング問題を定式化する。 インスタンスのセグメンテーションと追跡に基づく効率的な知覚パイプラインと、外乱の拒絶と修正のポーズのためのクラスタリングフィルタを組み合わせることで、正確なランドマーク検出を可能にする。
  論文  参考訳（メタデータ） (2026-03-05T11:39:12Z)
• GeoGNN: Quantifying and Mitigating Semantic Drift in Text-Attributed Graphs [59.61242815508687]
  テキスト分散グラフ(TAG)上のグラフニューラルネットワーク(GNN)は、事前訓練された言語モデル(PLM)を使用してノードテキストを符号化し、これらの埋め込みを線形近傍アグリゲーションを通じて伝播する。 本研究は,意味的ドリフトの度合いを計測する局所PCAベースの計量を導入し,異なる凝集機構が多様体構造にどのように影響するかを解析するための最初の定量的枠組みを提供する。
  論文  参考訳（メタデータ） (2025-11-12T06:48:43Z)
• Mind-the-Glitch: Visual Correspondence for Detecting Inconsistencies in Subject-Driven Generation [120.23172120151821]
  本稿では,事前学習した拡散モデルのバックボーンから視覚的特徴と意味的特徴を分離するための新しいアプローチを提案する。 注釈付きセマンティックと視覚対応を備えた画像ペアを構築する自動パイプラインを導入する。 被験者駆動画像生成における視覚的不整合を定量化する新しい指標であるビジュアルセマンティックマッチングを提案する。
  論文  参考訳（メタデータ） (2025-09-26T07:11:55Z)
• Tomato Multi-Angle Multi-Pose Dataset for Fine-Grained Phenotyping [10.807010511060042]
  TomatoMAPはSolanum lycopersicumの包括的なデータセットである。 我々のデータセットには64,464枚のRGB画像が含まれており、4つのカメラ高度角から12の異なる植物ポーズを捉えています。 我々は,3,616個の高解像度画像サブセットをピクセル単位で意味づけし,細粒度表現のためのインスタンスセグメンテーションアノテーションを提供する。
  論文  参考訳（メタデータ） (2025-07-15T12:56:13Z)
• Beyond Message Passing: Neural Graph Pattern Machine [50.78679002846741]
  本稿では,グラフサブストラクチャから直接学習することで,メッセージパッシングをバイパスする新しいフレームワークであるNeural Graph Pattern Machine(GPM)を紹介する。 GPMはタスク関連グラフパターンを効率的に抽出し、エンコードし、優先順位付けする。
  論文  参考訳（メタデータ） (2025-01-30T20:37:47Z)
• Kernel-Aware Graph Prompt Learning for Few-Shot Anomaly Detection [28.305370451520876]
  Few-shot Anomaly Detection (FSAD) は、同じクラスからのごく少数の正規サポート画像のガイダンスを用いて、見えない異常領域を検出することを目的としている。 本稿では,KAG-promptと呼ばれるカーネル対応グラフプロンプト学習フレームワークを提案する。 MVTecADとVisAデータセットの実験は、KAG-promptが最先端のFSAD結果を達成することを示している。
  論文  参考訳（メタデータ） (2024-12-23T14:43:51Z)
• Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
  解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。 また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。 本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
  論文  参考訳（メタデータ） (2024-10-13T02:22:14Z)
• Detecting Anomalies in Dynamic Graphs via Memory enhanced Normality [39.476378833827184]
  動的グラフにおける異常検出は、グラフ構造と属性の時間的進化によって大きな課題となる。 時空間記憶強調グラフオートエンコーダ(STRIPE)について紹介する。 STRIPEは、AUCスコアが5.8%改善し、トレーニング時間が4.62倍速く、既存の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-03-14T02:26:10Z)
• Image complexity based fMRI-BOLD visual network categorization across visual datasets using topological descriptors and deep-hybrid learning [3.522950356329991]
  本研究の目的は,視覚的データセットと異なる視覚刺激に応答して,ネットワークトポロジがどう異なるかを検討することである。 これを実現するために、COCO、ImageNet、SUNを表す視覚ネットワーク毎に0次元および1次元の永続図を演算する。 抽出したK平均クラスター特徴は、これらの視覚ネットワークの分類において90%-95%の範囲で精度の高い新しいディープハイブリッドモデルに供給される。
  論文  参考訳（メタデータ） (2023-11-03T14:05:57Z)
• GLAD: Content-aware Dynamic Graphs For Log Anomaly Detection [49.9884374409624]
  GLADは、システムログの異常を検出するように設計されたグラフベースのログ異常検出フレームワークである。 システムログの異常を検出するために設計されたグラフベースのログ異常検出フレームワークであるGLADを紹介する。
  論文  参考訳（メタデータ） (2023-09-12T04:21:30Z)
• Text Enriched Sparse Hyperbolic Graph Convolutional Networks [21.83127488157701]
  グラフニューラルネットワーク(GNN)とその双曲型は、そのようなネットワークを低次元の潜在空間でエンコードするための有望なアプローチを提供する。 本稿では,グラフのメタパス構造を意味信号を用いて捉えるために,テキスト強化スパースハイパーボリックグラフ畳み込みネットワーク(TESH-GCN)を提案する。 我々のモデルは,リンク予測のタスクにおいて,最先端のアプローチよりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2022-07-06T00:23:35Z)
• Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
  グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。 本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
  論文  参考訳（メタデータ） (2021-01-16T16:18:43Z)

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。