論文の概要: Exploring the Potential of Symbolic Regression in Precision Livestock Farming
- arxiv url: http://arxiv.org/abs/2610.39839v1
- Date: Thu, 29 Oct 2026 11:17:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-31 05:25:12.49712
- Title: Exploring the Potential of Symbolic Regression in Precision Livestock Farming
- Title（参考訳）: 精密畜産におけるシンボリック回帰の可能性を探る
- Abstract要約: 豚の放牧時間を予測する能力は、最適な農業経営と豚の生存の確保に不可欠である。
本研究では,精密畜産における説明可能な人工知能の可能性について検討した。
- 参考スコア（独自算出の注目度）: 0.2770822269241974
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The ability to predict farrowing time in pigs is crucial for optimal farm management and ensuring piglet survival. This study investigates the potential of explainable artificial intelligence for precision livestock farming, focusing on acceleration sensor data from sows around the time of farrowing. Accurately predicting farrowing allows farmers to balance both, piglet safety by avoiding piglet crushing events and the mother sow's welfare, by avoiding early crating. Traditional machine learning models often lack interpretability (``closed-box'' problem). Explainable artificial intelligence offers a solution by revealing the decision-making processes within the models. This work is split into two stages. First the detection of nest building behaviour and second the prediction of the remaining time to farrowing. The nest building detection was possible for 166 out of 180 sows and successful within 48 hours before farrowing for 149 sows. The nest building detection is purely based on the change of a sow's activity level and uses no machine learning techniques. Further, this study utilizes symbolic regression, an open-box modelling technique that generates interpretable mathematical formulas, to predict the remaining time until the onset of farrowing. The results are compared with closed-box models, like support vector regression and artificial neural networks, for both explainability and performance. Notably, symbolic regression achieved a mean absolute error of 9.28 hours for the time-to-farrowing prediction, outperforming the closed-box models in terms of performance and interpretability. This research demonstrates that explainable artificial intelligence, specifically symbolic regression, can offer both interpretable results and competitive performance in precision livestock farming.
- Abstract（参考訳）: 豚の放牧時間を予測する能力は、最適な農業経営と豚の生存の確保に不可欠である。
本研究は, 畜産の精密化に資する人工知能の可能性について検討し, 耕作前後の草地からの加速度センサデータに着目した。
ファーローの正確な予測により、農家は、子豚の破砕現象や母豚の福祉を回避し、早産を避けることで、豚の安全を両立させることができる。
従来の機械学習モデルは、しばしば解釈可能性(``closed-box''問題)を欠いている。
説明可能な人工知能は、モデル内の意思決定プロセスを明らかにすることでソリューションを提供する。
この作品は2つの段階に分けられる。
まず巣作りの挙動を検知し、残り時間の予測を行う。
巣の建物検出は180ソーのうち166ソーダで可能で、48時間以内に149ソーダで成功していた。
ネストビルディング検出は、純粋にソーのアクティビティレベルの変化に基づいており、機械学習技術を使用しない。
さらに,解釈可能な数式を生成するオープンボックス・モデリング手法である記号回帰を用いて,探索開始までの残時間を推定する。
結果は、説明可能性と性能の両方において、ベクトル回帰と人工ニューラルネットワークのサポートのようなクローズドボックスモデルと比較される。
特にシンボリック回帰は、時間とファローの予測に平均9.28時間の絶対誤差を達成し、性能と解釈可能性の点でクローズドボックスモデルを上回った。
この研究は、説明可能な人工知能、特に象徴的回帰は、家畜の精密農業において、解釈可能な結果と競争性能の両方を提供することを示した。
関連論文リスト
- Excretion Detection in Pigsties Using Convolutional and Transformerbased Deep Neural Networks [0.0]
水たまりや糞のような動物の排ガスは家畜の農業において重要な排出源である。
水たまり領域を決定するための従来の研究手法では、納屋内の水たまりを手動で検出する必要がある。
本研究は,豚の排ガス検出における各種深層学習モデルの適合性について検討した最初のものである。
論文 参考訳（メタデータ） (2024-11-29T21:00:08Z) - Discovering an interpretable mathematical expression for a full wind-turbine wake with artificial intelligence enhanced symbolic regression [9.62113970975207]
本稿では,平均速度損失に対する解釈可能な数学的表現を発見するために,遺伝的記号回帰(SR)アルゴリズムを提案する。
提案した数式(方程式)は、高精度で安定なフルウェイク領域の任意の位置における覚醒速度の欠陥を予測できる。
論文 参考訳（メタデータ） (2024-06-02T10:17:54Z) - Hybrid Predictive Coding: Inferring, Fast and Slow [62.997667081978825]
本稿では,反復型と償却型の両方を原則的に組み合わせたハイブリッド予測符号化ネットワークを提案する。
我々は,本モデルが本質的に不確実性に敏感であり,最小計算費用を用いて正確な信念を得るためにバランスを適応的にバランスさせることを実証した。
論文 参考訳（メタデータ） (2022-04-05T12:52:45Z) - Tribrid: Stance Classification with Neural Inconsistency Detection [9.150728831518459]
本稿では,BERTなどのニューラルアーキテクチャを用いたソーシャルメディア上での自動姿勢分類を行う際の課題について検討する。
提案するニューラルアーキテクチャでは,任意のクレームに対して自動生成された否定的視点も含んでいる。
モデルは同時に複数の予測を行うように共同で学習され、元の視点の分類を改善するか、疑わしい予測をフィルタリングするために使用することができる。
論文 参考訳（メタデータ） (2021-09-14T08:13:03Z) - Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。
バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。
我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文 参考訳（メタデータ） (2021-07-05T12:44:39Z) - Learning Uncertainty with Artificial Neural Networks for Improved
Remaining Time Prediction of Business Processes [0.15229257192293202]
本論文では,これらの手法を予測過程のモニタリングに応用する。
より正確な予測と迅速な作業に貢献できることが分かりました。
これは多くの興味深い応用をもたらし、より小さなデータセットを持つ予測システムを早期に導入し、人間とのより良い協力を促進する。
論文 参考訳（メタデータ） (2021-05-12T10:18:57Z) - Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。
我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。
このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
論文 参考訳（メタデータ） (2020-10-15T16:39:26Z) - Relaxing the Constraints on Predictive Coding Models [62.997667081978825]
予測符号化(英: Predictive coding)は、脳が行う主計算が予測誤差の最小化であるとする皮質機能の影響力のある理論である。
アルゴリズムの標準的な実装は、同じ前方と後方の重み、後方の非線形微分、1-1エラーユニット接続といった、潜在的に神経的に予測できない特徴を含んでいる。
本稿では,これらの特徴はアルゴリズムに不可欠なものではなく,Hebbianの更新ルールを用いてパラメータセットを直接あるいは学習することで,学習性能に悪影響を及ぼすことなく除去可能であることを示す。
論文 参考訳（メタデータ） (2020-10-02T15:21:37Z) - Value-driven Hindsight Modelling [68.658900923595]
値推定は強化学習(RL)パラダイムの重要な構成要素である。
モデル学習は、観測系列に存在する豊富な遷移構造を利用することができるが、このアプローチは通常、報酬関数に敏感ではない。
この2つの極点の間に位置するRLにおける表現学習のアプローチを開発する。
これにより、タスクに直接関連し、値関数の学習を加速できる、抽出可能な予測ターゲットが提供される。
論文 参考訳（メタデータ） (2020-02-19T18:10:20Z)
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。