基于深度学习和迁移学习预测爱尔兰燕麦中霉毒素污染
机器学习
2025-12-30 v1 机器学习
摘要
霉毒素污染对谷物作物品质、食品安全和农业生产构成重大风险。准确预测霉毒素水平可支持早期干预策略并减少经济损失。本研究探讨了使用神经网络和迁移学习模型预测爱尔兰燕麦作物中霉毒素污染作为多响应预测任务。数据集由来自爱尔兰的燕麦样本组成，包含环境、农业和地理预测因素的混合。评估了五种建模方法：基线多层感知器（MLP）、带预训练的MLP，以及三种迁移学习模型TabPFN、TabNet和FT-Transformer。使用回归（RMSE、）和分类（AUC、F1）指标评估模型性能，按毒素分别报告结果。此外，还对基于置换的变量重要性分析进行，以识别两种预测任务中最具影响力的预测因素。迁移学习方法TabPFN综合性能最佳，随后是基线MLP。我们的变量重要性分析显示，90天前的天气历史模式是最重要的预测因素，另辅以种子含水率。
引用
@article{arxiv.2512.22243,
title = {Predicting Mycotoxin Contamination in Irish Oats Using Deep and Transfer Learning},
author = {Alan Inglis and Fiona Doohan and Subramani Natarajan and Breige McNulty and Chris Elliott and Anne Nugent and Julie Meneely and Brett Greer and Stephen Kildea and Diana Bucur and Martin Danaher and Melissa Di Rocco and Lisa Black and Adam Gauley and Naoise McKenna and Andrew Parnell},
journal= {arXiv preprint arXiv:2512.22243},
year = {2025}
}
备注
28 pages, 11 Figures, Supplementary Materials