연구진은 순환여과식 양식시스템(RAS)에서 무지개송어의 사료 공급을 결정하는 생성형 프레임워크 'THPL'을 제안했다. 어류의 이동 궤적에서 활동 계수(AC)를 추출하고, 계층적 행동 인코더(HBE)로 개체별·집단적 동역학을 물리·소프트 토큰으로 변환한 뒤, 환경 변수와 전문가 규칙을 더해 LoRA로 LLM을 미세조정하고 반사실적 다중모달 선호 최적화(mDPO)로 인과적 추론을 강화한다. AC는 전문가가 매긴 사료 강도와 통계적으로 유의한 상관(스피어만 상관계수 0.925)을 보였고, 결정 정확도는 텍스트 전용 기준 33.33%에서 이중 증거 토큰 적용 시 93.33%, mDPO 적용 후 96.67%까지 상승했다. METEOR 지표는 58.10%에서 85.30%로 개선되는 등 정밀 양식을 위한 실용적 의사결정 지원 체계임을 입증했다.
- •어류 궤적에서 활동 계수(AC)를 추출해 사료 공급 강도를 정량화, 전문가 평가와 스피어만 상관 0.925 기록
- •계층적 행동 인코더(HBE)가 개체·집단 동역학을 물리·소프트 토큰으로 변환해 LLM에 투입
- •LoRA 미세조정과 반사실적 다중모달 선호 최적화(mDPO)로 결정 정확도 33.33%→96.67%까지 향상
- •METEOR 58.10%→85.30%, Self-BLEU-2 감소, Distinct-3 증가로 템플릿화·편향 억제 효과 확인
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
THPL: A Vision-to-Language Decision Support Framework for Rainbow Trout Feeding Management in RAS
- 1.THPL은 연어과 송어의 영상 이동 궤적에서 먹이 활동 강도를 수치화하는 Activity Coefficient를 추출
- 2.시간·집단 트랜스포머로 만든 이중 증거 토큰을 LLM에 LoRA로 학습시켜 먹이 결정을 생성
- 3.텍스트만 쓰던 기준선 33.33%에서 이중 증거 토큰 적용만으로 결정 정확도가 93.33%까지 상승
- 4.반사실적 선호최적화(mDPO)를 더하면 96.67%까지 오르고 설명 품질(METEOR)도 58.10%에서 85.30%로 향상
왜 중요한가?
양식장 데이터를 전문가 지식과 결합해 LLM이 해석 가능한 먹이 공급 결정을 내리게 함으로써, 정밀 양식에 실제로 적용할 수 있는 수준까지 정확도를 끌어올린 구체적 사례다.
본문 미리보기
arXiv:2610.02378v1 Announce Type: new Abstract: In Recirculating Aquaculture Systems (RAS), precision feeding is critical for minimizing costs and improving fish welfare. However, existing methods lack cognitive alignment between fish behaviors and management knowledge, impeding translation into executable, interpretable feeding decisions. To address this, we propose THPL, a generative feeding decision framework tailored for rainbow trout (Oncorhynchus mykiss) in RAS. First, Fishsort extracts t
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 10:40AI 초안
