基于辅助标签的迁移学习及其在严寒耐受性预测中的应用
机器学习
2025-04-18 v1
摘要
严寒气温会因作物的抗寒性——即耐寒性——的不同，在休眠季节产生显著的霜冻损害。这导致发展出预测性耐寒模型，以帮助农民决定何时部署昂贵的防霜措施。然而，由于需要专业设备和专业知识，仅有针对部分水果品种的耐寒数据可用于模型训练。相反，农民们经常拥有多年的生态学数据（例如萌芽日期），并定期收集这些数据。本文引入了一种新的迁移学习框架——Transfer via Auxiliary Labels (TAL)，该框架允许农民利用生态学数据来提高耐寒性预测精度，即使其特定作物没有耐寒数据。该框架假设存在一组源任务（品种），其中每个任务都有关联的主标签（耐寒性）和辅助标签（生态学）。然而，目标任务（新品种）仅被假设拥有辅助标签。TAL的目标是通过从源任务迁移来预测目标任务的主标签。尽管迁移学习领域已有大量文献，但据我们所知，TAL的这种表述方式尚未被之前的研究所涵盖。因此，我们基于模型选择和平均化方法，提出了若干新的TAL方法，能够利用近期深度多任务模型进行耐寒性预测。我们在多个葡萄品种的真实世界耐寒数据和生态学数据上进行的结果表明，TAL能够在缺乏耐寒数据的情况下，利用生态学数据提高耐寒性预测精度。
引用
@article{arxiv.2504.13142,
title = {Transfer Learning via Auxiliary Labels with Application to Cold-Hardiness Prediction},
author = {Kristen Goebel and Paola Pesantez-Cabrera and Markus Keller and Alan Fern},
journal= {arXiv preprint arXiv:2504.13142},
year = {2025}
}