論文の概要: THPL: A Vision-to-Language Decision Support Framework for Rainbow Trout Feeding Management in RAS

• arxiv url: http://arxiv.org/abs/2610.02378v1
• Date: Thu, 01 Oct 2026 18:58:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.052908
• Title: THPL: A Vision-to-Language Decision Support Framework for Rainbow Trout Feeding Management in RAS
• Title（参考訳）: THPL:RASにおけるレインボートラウト供給管理のためのビジョン・ツー・ランゲージ決定支援フレームワーク
• Abstract要約: THPLは, 循環式養殖システムにおいて, ニジマス (Onhynchus mykiss) に適合する生産的摂食決定の枠組みである。 フィッシュソートは、運動効率(AC)の摂食強度を確立するために軌跡を抽出する。 これらのトークンは環境パラメータ、メタデータ、専門家ルールと統合され、LORAを介してLLMを微調整する。 その結果,ACは有意な単調性正の相関を示すことが明らかとなった。
• 参考スコア（独自算出の注目度）: 19.08202078769825
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In Recirculating Aquaculture Systems (RAS), precision feeding is critical for minimizing costs and improving fish welfare. However, existing methods lack cognitive alignment between fish behaviors and management knowledge, impeding translation into executable, interpretable feeding decisions. To address this, we propose THPL, a generative feeding decision framework tailored for rainbow trout (Oncorhynchus mykiss) in RAS. First, Fishsort extracts trajectories to establish an Activity Coefficient (AC) quantifying feeding intensity. Second, a Hierarchical Behavior Encoder (HBE) models individual temporal progression and collective dynamics using Temporal and Set Transformers, transforming trajectory tensors into dual-evidence representations of explicit physical and implicit soft tokens. Finally, these tokens are integrated with environmental parameters, metadata, and expert rules to fine-tune an LLM via LoRA, followed by counterfactual multimodal Direct Preference Optimization (mDPO) to reinforce causal reasoning. Results show that AC exhibits a statistically significant monotonic positive correlation with expert-annotated feeding intensity (Spearman $ρ= 0.925$, $p < 0.001$). Ablations indicate that decision accuracy improves from 33.33% (text-only baseline) to 93.33% with dual-evidence tokens, confirming that continuous spatiotemporal tokens provide necessary physical grounding for LLMs. Compared with standard LoRA, counterfactual mDPO elevates decision accuracy from 93.33% to 96.67%, advances METEOR from 58.10% to 85.30%, reduces Self-BLEU-2 from 58.79% to 52.88%, and increases Distinct-3 from 6.68% to 7.81%, suppressing templating and actuation biases while reinforcing causal consistency and operational safety. Overall, by integrating continuous kinematics with LLM reasoning, this study provides a novel decision support paradigm for precision aquaculture.
• Abstract（参考訳）: 循環式養殖システム (RAS) では, コストを最小化し, 魚の福祉を改善するために精密給餌が重要である。 しかし、既存の手法では魚の行動と管理知識の認知的整合性が欠如しており、実行可能で解釈可能な摂食決定への翻訳を妨げている。 そこで本研究では,RAS におけるニジマス (Oncorhynchus mykiss) に特化した遺伝子的摂食決定フレームワーク THPL を提案する。 まず、フィッシュソートは軌跡を抽出し、摂食強度を定量化する活性係数(AC)を確立する。 第二に、階層的行動エンコーダ(HBE)は、時間的進行と集合力学をテンソルとセット変換器を用いてモデル化し、トラジェクトリテンソルを明示的な物理的および暗黙的なソフトトークンのデュアルエビデンス表現に変換する。 最後に、これらのトークンは環境パラメータ、メタデータ、専門家ルールと統合され、LORAを介してLLMを微調整し、続いて、因果推論を強化するために、反ファクトなマルチモーダル直接参照最適化(mDPO)が続く。 その結果,ACは有意な単調性正の相関を示した(Spearman $ρ=0.925$, $p < 0.001$)。 アブレーションにより、決定精度は33.33%(テキストのみのベースライン)から93.33%に改善され、デュアルエビデンストークンが連続時空間トークンがLLMに必要な物理的根拠を提供することを確認した。 標準のLoRAと比較すると、mDPOは意思決定精度を93.33%から96.67%に引き上げ、METEORを58.10%から85.30%に引き上げ、Self-BLEU-2を58.79%から52.88%に減らし、Distinct-3を6.68%から7.81%に引き上げ、因果一貫性と運用安全性の強化を図っている。 本研究は, 連続キネマティクスとLLM推論を統合することにより, 精密養殖のための新しい意思決定支援パラダイムを提供する。

関連論文リスト

• AdaStep: Adaptive Step Credit Weighting for Agentic Reinforcement Learning [41.82249291285459]
  本稿では,各グループ由来の局所的優位性が軌道レベルの信号にどの程度強く依存するかを制御する適応ステップ重み付け手法を提案する。 AdaStepは軽量なスカラー計算しか必要とせず、批判もロールアウトも追加のモデル推論も不要である。 ALFWorld、WebShop、ScienceWorldの3つのモデルバックボーンによる実験では、低い計算コストでベースラインよりも一貫した改善が見られた。
  論文  参考訳（メタデータ） (2026-10-02T12:38:53Z)
• Bilinear Optimization Divergence: Diagnosing Factor-Constrained LoRA Continual Learning [9.210432526729507]
  本稿では,選択した歴史的特徴に対する有効更新応答のアンカー相対的診断を定式化する。 共用アダプタにおいて、ルーティング変位を保護すると、変化した共役因子を介して学習アンカー残余が残る。 新たなゼロ出力ブロックでは、実行可能なルーティング状態が、両方の現在の要因がトレーニング可能である間、構成された更新を保護することができる。
  論文  参考訳（メタデータ） (2026-09-20T12:26:14Z)
• ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
  ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。 我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-02-27T05:22:01Z)
• Distilling Deep Reinforcement Learning into Interpretable Fuzzy Rules: An Explainable AI Framework [1.9180507495574395]
  深層強化学習(DRL)エージェントは、継続的な制御において顕著なパフォーマンスを達成するが、不透明なままであり、安全クリティカルなドメインへの展開を妨げる。 既存の説明可能性法は、局所的な洞察(SHAP、LIME)のみを提供するか、過度に単純化されたサロゲートを使用し、連続的なダイナミクスを捉えることができない。 本研究では、状態可読パーティショニングのためのK-Meansクラスタリングを通じて、ニューラルポリシーを人間可読IF-THENルールに蒸留するファジィシステム(FCS)を提案する。 説明焦点を測定するルール密度(FRAD)、語彙完全性を検証するファジィ集合被覆(FSC)、行動空間の粒度(Action Space Granularity)の3つの定量化指標が導入された。
  論文  参考訳（メタデータ） (2026-02-24T23:53:01Z)
• ReasoningBomb: A Stealthy Denial-of-Service Attack by Inducing Pathologically Long Reasoning in Large Reasoning Models [67.15960154375131]
  大規模推論モデル(LRM)は、多段階推論トレースを明示した大規模言語モデルを拡張する。 この能力は、推論の高い計算コストを生かした、新しいタイプのプロンプト誘発推論時間拒否攻撃(PI-DoS)を導入している。 本稿では,強化学習に基づくPI-DoSフレームワークであるReasoningBombについて紹介する。
  論文  参考訳（メタデータ） (2026-01-29T18:53:01Z)
• Fragile Knowledge, Robust Instruction-Following: The Width Pruning Dichotomy in Llama-3.2 [0.0]
  我々は,MAW誘導幅の刈り取りが選択フィルタとして機能し,行動アライメントを保ちつつパラメトリック知識を減少させることを示す。 プルーニングされた構成は、エネルギー消費(J/Token)を最大で23%削減するが、単一要求レイテンシで罰則が生じる。
  論文  参考訳（メタデータ） (2025-12-27T18:09:57Z)
• Think Before You Prune: Self-Reflective Structured Pruning for Reasoning Language Models [31.422773877490613]
  推論 LLM (Reasoning LLMs) はチェーン・オブ・ソート・ジェネレーションを通じて強力な多段階推論を実現する。 RLMの大きなモデルサイズと長いデコードタイムのアウトプットは、リソース制約のある設定にデプロイするのにコストがかかり、不適当である。 我々は、構造化されたプルーニングフレームワークであるRESPを紹介し、プルーニング決定とモデルの推論力学を一致させる。
  論文  参考訳（メタデータ） (2025-12-01T20:27:05Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• SEAL: Steerable Reasoning Calibration of Large Language Models for Free [58.931194824519935]
  大規模言語モデル(LLM)は、拡張チェーン・オブ・ソート(CoT)推論機構を通じて複雑な推論タスクに魅力的な機能を示した。 最近の研究では、CoT推論トレースにかなりの冗長性が示されており、これはモデル性能に悪影響を及ぼす。 我々は,CoTプロセスをシームレスに校正し,高い効率性を示しながら精度を向上する,トレーニング不要なアプローチであるSEALを紹介した。
  論文  参考訳（メタデータ） (2025-04-07T02:42:07Z)

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。