[論文レビュー] Dynamic Structure Learning through Graph Neural Network for Forecasting Soil Moisture in Precision Agriculture

Anoushka Vyas, Sambaran Bandyopadhyay|arXiv (Cornell University)|Dec 7, 2020

Computational Physics and Python Applications被引用数 4

ひとこと要約

本稿では、時系列的グラフ構造と土壌水分量の予測を同時に学習する動的グラフニューラルネットワーク（DGLR）を提案する。実世界のデータにおいて真値が欠損している場合でも、頑健な性能を発揮する。本手法は、特徴量と予測対象の滑らかさ正則化項を統合することで、学習中にグラフ接続性を動的に最適化し、最先端の精度を達成する。

ABSTRACT

Soil moisture is an important component of precision agriculture as it directly impacts the growth and quality of vegetation. Forecasting soil moisture is essential to schedule the irrigation and optimize the use of water. Physics based soil moisture models need rich features and heavy computation which is not scalable. In recent literature, conventional machine learning models have been applied for this problem. These models are fast and simple, but they often fail to capture the spatio-temporal correlation that soil moisture exhibits over a region. In this work, we propose a novel graph neural network based solution that learns temporal graph structures and forecast soil moisture in an end-to-end framework. Our solution is able to handle the problem of missing ground truth soil moisture which is common in practice. We show the merit of our algorithm on real-world soil moisture data.

研究の動機と目的

• データ駆動型手法を用いて、精密農業における正確でスケーラブルな土壌水分予測の課題に取り組む。
• 従来の機械学習モデルがしばしば捉えきれない、地域間の空間的・時系列的相関をモデル化する。
• ラベル付き（真値あり）およびラベルなし（真値欠損）の土壌水分データを効果的に活用できる半教師あり学習フレームワークを開発する。
• 時間とともに変化する空間的依存関係を反映するように進化する動的グラフ構造を学習する。
• センサーや通信障害に起因するデータ欠損に対しても頑健性を高めるために、欠損した土壌水分値を含む不完全なデータセットで学習する。

提案手法

• 本手法は、ノード特徴量と予測土壌水分値に基づいて反復的にグラフ構造を更新する動的グラフニューラルネットワーク（DGLR）を採用する。
• 特徴量滑らかさ（FS）と予測対象滑らかさ（TS）の2つの主要な正則化項を導入する。FSは類似した特徴量を持つノード同士の接続を促進し、TSは類似した土壌水分値を持つノード同士の接続を促進する。
• 各場所の時間的ダイナミクスを別個に捉えるために、場所に依存しないGRUパラメータを用いる。
• グラフ構造学習は、予測損失とFS・TS正則化項を組み合わせた損失関数の最適化により、エンドツーエンドで実行される。
• 半教師あり学習の形で訓練され、学習中にラベル付きおよびラベルなしのデータポイントを両方効果的に活用できる。
• 初期グラフは空間的近接性と相関閾値に基づくヒューリスティック法で構築され、その後学習中に改善される。

実験結果

リサーチクエスチョン

• RQ1 固定または事前に定義されたグラフ構造に依存せずに、土壌水分の空間的・時系列的依存関係を効果的にモデル化できるか？
• RQ2 提案手法の動的グラフ学習法は、静的グラフベースのモデルやシーケンス専用モデルと比較して、土壌水分予測でどの程度優れた性能を示すか？
• RQ3 実世界のデータセットにおいて、真値が欠損している土壌水分値をどの程度効果的に処理できるか？
• RQ4 ヒューリスティック法による初期グラフ構造の選定に、モデルの性能がどれほど敏感か？
• RQ5 特徴量滑らかさおよび予測対象滑らかさ正則化項は、グラフ構造の進化と予測精度にどのように寄与するか？

主な発見

• DGLRは、実世界の土壌水分データセットにおいて最先端の性能を達成し、静的グラフベースのモデルやRNNのようなシーケンス専用モデルを上回る。
• 訓練データに最大30％の欠損値があっても、性能の低下が最小限に抑えられ、データの不完全性に対して強い頑健性を示す。
• さまざまな初期グラフ構築閾値に対しても性能が安定しており、ヒューリスティック初期化にほとんど依存しないことが示された。
• 特徴量滑らかさおよび予測対象滑らかさの損失は学習中に著しく減少し、安定化するため、モデルが意味的で整合性のあるグラフ構造を学習していることが確認された。
• アブレーションスタディの結果、DGLRのすべての構成要素—非共有GRU、グラフ構造学習、正則化項—が最適な性能を発揮するために不可欠であることが分かった。
• 20％の欠損値を含むDGLRの性能は、完全にラベル付きデータで訓練された大多数のベースラインを上回っており、半教師あり設定における有効性が顕著に示された。