論文の概要: Multi-Task Learning for Sparsely-Labeled Time Series: A Case Study on Cold-Hardiness Modeling
- arxiv url: http://arxiv.org/abs/2609.09062v1
- Date: Tue, 08 Sep 2026 17:17:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.702817
- Title: Multi-Task Learning for Sparsely-Labeled Time Series: A Case Study on Cold-Hardiness Modeling
- Title（参考訳）: スパースラベル時系列のマルチタスク学習:コールドハードネスモデリングを事例として
- Abstract要約: 本稿では,限られたデータからの時間的プロセスモデリングのためのマルチタスク学習(MTL)の実例について述べる。
具体的には,ブドウ寒冷度を予測する重要な農業問題に対するマルチタスク学習について検討する。
時系列気象データから毎日の耐寒性予測にリカレントニューラルネットワーク(RNN)を適用した。
- 参考スコア（独自算出の注目度）: 11.043861861286423
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a real-world case study of multi-task learning (MTL) for temporal process modeling from limited data with temporally sparse labels. Specifically, we investigate multi-task learning for the important agricultural problem of predicting grape cold hardiness, which is the temperature at which lethal freezing occurs. Cold hardiness changes in response to weather and is difficult to measure directly in the field. Thus, growers rely on predictions to decide when to apply costly frost mitigation measures. We apply recurrent neural networks (RNNs) for daily cold-hardiness prediction from time series weather data. A major challenge is that the cold hardiness response varies across plant cultivars and ground-truth data for each cultivar is temporally sparse and limited. To address this challenge, we investigate multi-task learning (MTL) approaches for combining data, where different tasks correspond to different cultivars. We develop a variety of MTL architectures and evaluate them in both MTL and transfer learning settings. Our results show significant differences between architectures and that certain architectures are able to consistently outperform single-task learning and state-of-the-art scientific models. Additionally, we show similar results for the qualitatively different, but related, task of budbreak prediction. Further, improved accuracy for budbreak and cold hardiness is achieved by a single MTL model that simultaneously learns both tasks.
- Abstract（参考訳）: 本稿では、時間的に疎いラベルを持つ限られたデータから時間的プロセスモデリングを行うためのマルチタスク学習(MTL)の実例について述べる。
具体的には,果肉寒冷度を予測する重要な農業問題に対するマルチタスク学習について検討した。
寒冷な硬さは天候に反応して変化し、現場で直接測定することは困難である。
このように、農家はいつコストのかかる凍害対策を適用するかを決めるために予測に依存する。
時系列気象データから毎日の耐寒性予測にリカレントニューラルネットワーク(RNN)を適用した。
主な課題は、寒冷性応答が植物品種によって異なり、各品種の接地構造は時間的に狭く、制限されていることである。
この課題に対処するために、異なるタスクが異なる品種に対応するデータを組み合わせるためのマルチタスク学習(MTL)アプローチについて検討する。
我々は様々なMTLアーキテクチャを開発し、それらをMTLと転送学習の両方で評価する。
以上の結果から,特定のアーキテクチャが単一タスク学習や最先端の科学モデルより一貫して優れていることが示唆された。
さらに,定性的に異なるが関連性のあるbudbreak予測の課題についても同様の結果を示す。
さらに、両方のタスクを同時に学習する単一のMTLモデルにより、ブドブレイクとコールドハードネスの精度を向上する。
関連論文リスト
- MM-TS: Multi-Modal Temperature and Margin Schedules for Contrastive Learning with Long-Tail Data [64.78447637450937]
マルチモーダル温度とマージンスケジューリング(MM-TS)を提案し、一様温度スケジューリングの概念をマルチモーダルコントラスト学習に拡張する。
本手法はトレーニング中のコントラスト損失の温度を動的に調整し,マルチモーダル環境でのアトラクションと反発力を調節する。
論文 参考訳（メタデータ） (2026-03-09T10:29:50Z) - Data Fusion of Deep Learned Molecular Embeddings for Property Prediction [41.99844472131922]
ディープラーニングのようなデータ駆動型アプローチは、極めて精度と効率のよい材料特性の予測モデルをもたらす可能性がある。
予測を改善するために、トランスファーラーニングやマルチタスクラーニングといった技術が用いられている。
標準マルチタスクモデルは、弱い相関特性を持つスパースデータセットで訓練された場合、性能が劣る傾向にある。
本手法は、小分子の量子化学データのベンチマークデータセットと、文献および我々の量子化学および熱化学計算から収集した実験データのスパースデータセットに広く用いられている。
論文 参考訳（メタデータ） (2025-04-09T21:40:15Z) - A Multi-Task Learning Approach to Linear Multivariate Forecasting [4.369550829556578]
最近の最先端の研究はディバイソン間の相互関係を無視し、それぞれのディバイソンでモデルを用いている。
本稿では,多変量予測をマルチタスク学習問題とみなし,予測の分析を容易にすることを提案する。
我々は,強いベースラインと比較して,挑戦的なベンチマークに対するアプローチを評価する。
論文 参考訳（メタデータ） (2025-02-05T19:34:23Z) - WeatherGFM: Learning A Weather Generalist Foundation Model via In-context Learning [69.82211470647349]
第1次一般気象基礎モデル(WeatherGFM)を紹介する。
気象理解タスクの幅広い範囲を統一的な方法で解決する。
我々のモデルは、天気予報、超解像、天気画像翻訳、後処理など、最大10の気象理解タスクを効果的に処理できる。
論文 参考訳（メタデータ） (2024-11-08T09:14:19Z) - Causal Representation Learning in Temporal Data via Single-Parent Decoding [66.34294989334728]
科学的研究はしばしば、システム内の高レベル変数の根底にある因果構造を理解しようとする。
科学者は通常、地理的に分布した温度測定などの低レベルの測定を収集する。
そこで本研究では,単一親の復号化による因果発見法を提案し,その上で下位の潜伏者と因果グラフを同時に学習する。
論文 参考訳（メタデータ） (2024-10-09T15:57:50Z) - Grape Cold Hardiness Prediction via Multi-Task Learning [18.979780350924635]
秋から春にかけての低温は、ブドウや他の果実植物に凍害をもたらす可能性がある。
農家は、スプリンクラー、ヒーター、風車などの高価な凍害対策を展開し、損傷が生じる可能性があると判断する。
研究者らは、厳しいフィールド計測データに基づいて、異なるブドウ品種に調整できる冷硬度予測モデルを開発した。
論文 参考訳（メタデータ） (2022-09-21T18:18:52Z) - Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。
我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。
本モデルは,多くの多変量データセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2022-05-16T07:53:42Z) - Learning Mixtures of Linear Dynamical Systems [94.49754087817931]
そこで我々は,2段階のメタアルゴリズムを開発し,各基底構造LPSモデルを誤り$tildeO(sqrtd/T)$.sqrtd/T)まで効率的に復元する。
提案手法の有効性を検証し,数値実験による理論的研究を検証する。
論文 参考訳（メタデータ） (2022-01-26T22:26:01Z) - Cross-Task Consistency Learning Framework for Multi-Task Learning [9.991706230252708]
2タスクMTL問題に対する新しい学習フレームワークを提案する。
サイクル一貫性損失とコントラスト学習に着想を得た2つの新たな損失項を定義する。
理論的には、どちらの損失もモデルをより効率的に学習する助けとなり、直進予測と整合する点において、クロスタスクの整合性損失がより良いことを証明している。
論文 参考訳（メタデータ） (2021-11-28T11:55:19Z) - On Disentanglement in Gaussian Process Variational Autoencoders [3.403279506246879]
時系列データ上で異なるタスクに成功しているモデルを最近導入した。
本モデルでは,各潜伏チャネルをGP前にモデル化し,構造的変動分布を用いることで,データの時間的構造を利用する。
実世界の医療時系列データから有意義な不整合表現を学習できる証拠を提供する。
論文 参考訳（メタデータ） (2021-02-10T15:49:27Z) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳（メタデータ） (2020-02-21T13:48:13Z)
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。