[論文レビュー] Active Learning with Gaussian Processes for High Throughput Phenotyping

Sumit Kumar, Wenhao Luo+2 more|arXiv (Cornell University)|Jan 21, 2019

Smart Agriculture and AI参考文献 21被引用数 4

ひとこと要約

本稿では、ガウス過程（GPs）を用いたアクティブラーニングフレームワークを提案し、自律型地面ロボットが大規模農業用地における植物形質を、高精度の静的測定と低精度の移動中測定の両者を知的にバランスさせることで、効率的にマッピングすることを可能にする。この手法は、包括的サンプリングと同等の予測精度を達成しながら、データ収集時間を著しく短縮しており、実際のサルルム形質データにおいて優れた性能を示している。

ABSTRACT

A looming question that must be solved before robotic plant phenotyping capabilities can have significant impact to crop improvement programs is scalability. High Throughput Phenotyping (HTP) uses robotic technologies to analyze crops in order to determine species with favorable traits, however, the current practices rely on exhaustive coverage and data collection from the entire crop field being monitored under the breeding experiment. This works well in relatively small agricultural fields but can not be scaled to the larger ones, thus limiting the progress of genetics research. In this work, we propose an active learning algorithm to enable an autonomous system to collect the most informative samples in order to accurately learn the distribution of phenotypes in the field with the help of a Gaussian Process model. We demonstrate the superior performance of our proposed algorithm compared to the current practices on sorghum phenotype data collection.

研究の動機と目的

• 大規模なフィールドにおける包括的データ収集に起因する高スルーレット形質解析（HTP）のスケーラビリティのボトルネックを解消すること。
• データ収集時間を最小限に抑えつつモデルの精度を維持するため、情報量の多いサンプリング位置を選択するアクティブラーニングアルゴリズムを開発すること。
• 静的（高精度）および移動中（低精度、運動に起因する）測定を統合した、一元的なGPベースの学習フレームワークを構築すること。
• 静的および移動中測定の両方からの情報量の合計を最大化するように最適化された経路計画アルゴリズムを設計すること。
• 実際のサルルム形質データを用いて本手法を評価し、従来の包括的サンプリング手法と比較すること。

提案手法

• 対象となる形質（例：植物高）の空間的分布を、空間相関を反映するカーネル関数を有するガウス過程（GP）でモデル化する。
• 2種類の測定をモデル化する：静的測定（ロボットが停止時に収集される正確な測定）と移動中測定（ノイズの大きい測定、運動中に収集）で、それぞれ異なるノイズレベルを持つ。
• 潜在的な形質分布に関する情報量の増加を最大化する目的で、エントロピー低減（MaxEnt）に基づくユーティリティ関数を用いて次回のサンプリング位置を選択する。
• 情報量の合計を最大化するように最適化された経路計画アルゴリズムにより、経路に沿った静的および移動中測定からの情報量の合計を最適化する。
• 余裕長（ξ）を用いた予算制約付きの経路探索により、探索（新しい情報量の多い圃場）と活用（高い不確実性領域）のバランスを動的に制御する。
• 実際のロボットプラットフォームで収集されたサルルムデータセットを用いてフレームワークを評価し、包括的サンプリングおよびベースラインのアクティブラーニング手法と性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 ガウス過程を用いたアクティブラーニング手法は、包括的サンプリングと比較して、データ収集時間を短縮しつつも予測精度を維持できるか？
• RQ2 移動中に収集されるモバイル測定の統合は、静的測定のみに依存する場合と比較して、モデルの精度にどのような影響を与えるか？
• RQ3 大規模フィールド形質解析において、測定の精度（静的対モバイル）とデータ収集効率の最適なトレードオフは何か？
• RQ4 経路計画の余裕長（ξ）の導入は、モデルの性能および計算コストにどのような影響を与えるか？
• RQ5 静的およびモバイル測定を統合したハイブリッド戦略は、フィールド全体のスキャンに匹敵する性能をどの程度達成できるか？

主な発見

• 提案されたアクティブラーニングアルゴリズムは、包括的サンプリングと同等の予測精度を達成し、テストセットにおける平均絶対誤差（MAE）は4.22であったが、データ収集時間が著しく短縮された。
• モバイル測定のノイズ比（σₘ/σₛ）が最大5に達しても、モデルの精度が著しく低下せず、モバイルデータが性能の劣化を招かずに有効に活用できることを示した。
• 経路計画の余裕長（ξ）を増加させることでモデル性能がわずかに向上したが、その向上は単調でなく、GPカーネルの空間相関性のため、より長い経路が常により良い情報をもたらすわけではないことを示した。
• わずかな追加予算（ξ=5）で意味のある性能向上が得られ、計算コストも管理可能であったが、より大きな予算では収益の逓減と計算コストの増加が見られた。
• 静的およびモバイル測定の知的統合により、最小限のリソースで正確な形質マッピングが可能となり、大規模HTPが現実可能であることを示した。
• 本手法は現在のHTP実務を上回る性能を示し、ガウス過程を用いたアクティブラーニングが、包括的フィールドカバレッジの必要性を減らすことで、育種プロセスの高速化に寄与できることを示した。