Transfer Learning via Auxiliary Labels with Application to Cold-Hardiness Prediction

要約

寒い気温は、休眠期を通して変化する弾力性や寒さに応じて、果物の作物に重大な霜による損傷を引き起こす可能性があります。
これにより、予測的な冷たさモデルの開発が行われ、農家は高価な霜緩和策をいつ展開するかを決定するのに役立ちます。
残念ながら、モデルトレーニング用の冷たい硬さデータは、特殊な機器と専門知識が必要なため、一部の果物栽培品種でのみ利用できます。
むしろ、農民はしばしば、作物のために定期的に収集する長年の生物季節データ（例えば、芽の日付）を持っています。
この作業では、補助ラベル（TAL）を介した新しいトランスファーラーニングフレームワークを導入します。これにより、農民は、特定の作物に冷酷さデータが利用できない場合でも、より正確な冷酷さの予測を生成して、より正確な冷酷さの予測を生成できます。
フレームワークは、それぞれがプライマリラベル（冷たい丈夫さ）と補助ラベル（フェノロジー）を関連付けているソースタスク（品種）のセットを想定しています。
ただし、ターゲットタスク（新しい品種）は、補助ラベルのみがあると想定されています。
TALの目標は、ソースタスクからの転送を介してターゲットタスクのプライマリラベルを予測することです。
驚くべきことに、転送学習に関する膨大な文献にもかかわらず、私たちの知る限り、タルの定式化は以前に扱われていません。
したがって、モデルの選択と、最近の深いマルチタスクモデルを活用して、寒冷性予測の平均化に基づいて、いくつかの新しいTALアプローチを提案します。
複数のブドウ品種の現実世界の寒さと生理学的データに関する我々の結果は、TALが生物季節データを活用して、寒冷性データがない場合に寒冷性予測を改善できることを示しています。

要約(オリジナル)

Cold temperatures can cause significant frost damage to fruit crops depending on their resilience, or cold hardiness, which changes throughout the dormancy season. This has led to the development of predictive cold-hardiness models, which help farmers decide when to deploy expensive frost-mitigation measures. Unfortunately, cold-hardiness data for model training is only available for some fruit cultivars due to the need for specialized equipment and expertise. Rather, farmers often do have years of phenological data (e.g. date of budbreak) that they regularly collect for their crops. In this work, we introduce a new transfer-learning framework, Transfer via Auxiliary Labels (TAL), that allows farmers to leverage the phenological data to produce more accurate cold-hardiness predictions, even when no cold-hardiness data is available for their specific crop. The framework assumes a set of source tasks (cultivars) where each has associated primary labels (cold hardiness) and auxiliary labels (phenology). However, the target task (new cultivar) is assumed to only have the auxiliary labels. The goal of TAL is to predict primary labels for the target task via transfer from the source tasks. Surprisingly, despite the vast literature on transfer learning, to our knowledge, the TAL formulation has not been previously addressed. Thus, we propose several new TAL approaches based on model selection and averaging that can leverage recent deep multi-task models for cold-hardiness prediction. Our results on real-world cold-hardiness and phenological data for multiple grape cultivars demonstrate that TAL can leverage the phenological data to improve cold-hardiness predictions in the absence of cold-hardiness data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google