arXiv は 2026 年 10 月 21 日、Anubhab Tripathi 氏ら 4 名による新論文「GANet: A Lightweight Group Attention Network for Plant Disease Identification on Embedded Systems」を公開した。投稿日時は 2026 年 10 月 21 日 17:35:29 UTC、ファイルサイズは約 1,131 KB で、カテゴリは機械学習（cs.LG）に分類されている。本論文は、植物病害の予測とモニタリングを、低消費電力の組み込みハードウェア上でリアルタイムに実行することを目指した軽量ネットワーク GANet を提案している。
論文はまず背景として、地球温暖化と気候変動が植物病害を促進する主要因となっており、世界の食料生産に大きな影響を与えていると指摘する。この問題への対応には、病害の継続的な監視と早期発見が不可欠である。深層学習の進展は有望な解決策を提供しうるが、既存のモデルの多くは高い演算能力を要求し、低スペックの電子ハードウェアでは効率的に動作しにくい。さらに、多くの研究は特定の作物の病害のみを対象としており、適用範囲が限られるという課題がある。GANet はこの二点を同時に解決しようとするもので、モデルを極限まで軽量化しつつ、対象を単一作物ではなく 38 種類の植物病害へと広げている。
手法面では、GANet は二つの主要な構成要素を導入する。一つは新しい Group Attention（グループ注意）ブロック、もう一つは Group-Wise Feature Fusion（グループ単位の特徴融合）ブロックである。著者によれば、これらによりモデルは疎（スパース）かつ高効率になる。注意計算をグループ単位で組織化することで冗長な演算を削減し、特徴融合によってグループ間の情報を効果的に統合する仕組みである。この設計により、GANet のパラメータ数はわずか 0.001M（約 1,000 個）でありながら、PlantVillage データセットで 99.99% という高い精度を達成した。この結果は本論文で最も注目される点であり、極小のモデル容量が標準データセット上の識別性能を犠牲にしていないことを示している。
さらに論文はエッジ展開能力を強調する。GANet は Raspberry Pi 4b と Jetson Nano という二種類のエッジデバイス向けに最適化されており、それぞれ 5 FPS と 11 FPS を達成した。フレームレートとしては高くはないが、圃場でのリアルタイム病害モニタリングのような低消費電力の用途には実用的な意味があり、低電力デバイス上でのリアルタイム監視の可能性という著者の主張を裏付けている。
留意すべき点として、要旨で報告されている 99.99% という精度は PlantVillage データセットに限ったものであり、同データセットは管理された条件下で撮影された古典的なベンチマークで、画像背景も比較的単純である。実際の圃場の複雑な環境での性能や、他の軽量モデルとの詳細な比較は要旨では示されていない。また、38 分類の内訳、各ブロックの具体的構造、パラメータ数の計上方法といった詳細も本文を確認する必要がある。本論文は arXiv:2610.30225v1 として公開され、DOI は 10.48550/arXiv.2610.30225（DataCite 発行）であり、PDF、実験的な HTML 版、TeX ソースなどの形で入手できる。