論文の概要: Auxiliary-task learning for geographic data with autoregressive
embeddings
- arxiv url: http://arxiv.org/abs/2006.10461v3
- Date: Thu, 19 Aug 2021 10:22:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-19 09:50:51.928140
- Title: Auxiliary-task learning for geographic data with autoregressive
embeddings
- Title（参考訳）: 自己回帰埋め込みを用いた地理データの補助的タスク学習
- Authors: Konstantin Klemmer, Daniel B. Neill
- Abstract要約: 本研究では,空間データの自己回帰性に関する情報を学習プロセスに直接埋め込む手法であるSXLを提案する。
局所空間自己相関の一般的な尺度である局所モランIを用いて、局所空間効果の方向と大きさを学習する。
我々は,教師なしおよび教師なしの学習タスクにおいて,ニューラルネットワークのトレーニングを継続的に改善する方法について強調する。
- 参考スコア（独自算出の注目度）: 1.4823143667165382
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning is gaining popularity in a broad range of areas working with
geographic data, such as ecology or atmospheric sciences. Here, data often
exhibit spatial effects, which can be difficult to learn for neural networks.
In this study, we propose SXL, a method for embedding information on the
autoregressive nature of spatial data directly into the learning process using
auxiliary tasks. We utilize the local Moran's I, a popular measure of local
spatial autocorrelation, to "nudge" the model to learn the direction and
magnitude of local spatial effects, complementing the learning of the primary
task. We further introduce a novel expansion of Moran's I to multiple
resolutions, thus capturing spatial interactions over longer and shorter
distances simultaneously. The novel multi-resolution Moran's I can be
constructed easily and as a multi-dimensional tensor offers seamless
integration into existing machine learning frameworks. Throughout a range of
experiments using real-world data, we highlight how our method consistently
improves the training of neural networks in unsupervised and supervised
learning tasks. In generative spatial modeling experiments, we propose a novel
loss for auxiliary task GANs utilizing task uncertainty weights. Our proposed
method outperforms domain-specific spatial interpolation benchmarks,
highlighting its potential for downstream applications. This study bridges
expertise from geographic information science and machine learning, showing how
this integration of disciplines can help to address domain-specific challenges.
The code for our experiments is available on Github:
https://github.com/konstantinklemmer/sxl.
- Abstract（参考訳）: 機械学習は、生態学や大気科学など、地理的データを扱う幅広い分野で人気を集めている。
ここで、データはしばしば空間的効果を示すが、ニューラルネットワークでは学習が困難である。
本研究では,空間データの自己回帰性に関する情報を補助的タスクを用いて学習プロセスに直接埋め込む手法であるSXLを提案する。
局所空間自己相関の一般的な尺度であるlocal moran's iを用いて,局所空間効果の方向と大きさを学習し,一次課題の学習を補完する。
さらに、モランIを複数の解像度に拡張し、より長い距離と短い距離で空間的相互作用を同時に捉える。
斬新なマルチレゾリューションモランIは、既存の機械学習フレームワークにシームレスに統合された多次元テンソルとして簡単に構築できる。
実世界のデータを用いたさまざまな実験を通じて、教師なしおよび教師なしの学習タスクにおけるニューラルネットワークのトレーニングを継続的に改善する方法について強調する。
生成的空間モデル実験において,タスクの不確実性重みを利用したタスクGANの新たな損失を提案する。
提案手法は,領域固有の空間補間ベンチマークより優れ,下流アプリケーションの可能性を強調した。
この研究は、地理情報科学と機械学習の専門知識を橋渡しし、この分野の統合がドメイン固有の課題にどのように取り組むかを示す。
私たちの実験のコードはgithubで入手できる。
関連論文リスト
- Learning Where to Look: Self-supervised Viewpoint Selection for Active Localization using Geometrical Information [68.10033984296247]
本稿では, 位置決めの精度を高めるために, 視点選択の重要性を強調し, アクティブな位置決め領域について検討する。
私たちのコントリビューションは、リアルタイム操作用に設計されたシンプルなアーキテクチャ、自己教師付きデータトレーニング方法、および実世界のロボティクスアプリケーションに適した計画フレームワークにマップを一貫して統合する能力による、データ駆動型アプローチの使用に関するものです。
論文 参考訳（メタデータ） (2024-07-22T12:32:09Z) - Comparing Active Learning Performance Driven by Gaussian Processes or
Bayesian Neural Networks for Constrained Trajectory Exploration [0.0]
現在、人間は科学的な目的を達成するためにロボットを駆動しているが、ロボットの位置によっては、情報交換と駆動コマンドがミッション遂行に不適切な遅延を引き起こす可能性がある。
科学的目的と探索戦略で符号化された自律ロボットは、通信遅延を発生させず、ミッションをより迅速に達成することができる。
能動学習アルゴリズムは知的探索の能力を提供するが、その基盤となるモデル構造は、環境の理解を正確に形成する際に、能動学習アルゴリズムの性能を変化させる。
論文 参考訳（メタデータ） (2023-09-28T02:45:14Z) - Semantic Segmentation of Vegetation in Remote Sensing Imagery Using Deep
Learning [77.34726150561087]
本稿では,公開されているリモートセンシングデータからなるマルチモーダル・大規模時間データセットを作成するためのアプローチを提案する。
我々は、異なる種類の植生を分離できる畳み込みニューラルネットワーク(CNN)モデルを使用する。
論文 参考訳（メタデータ） (2022-09-28T18:51:59Z) - Inducing Gaussian Process Networks [80.40892394020797]
本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。
特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。
実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
論文 参考訳（メタデータ） (2022-04-21T05:27:09Z) - Clustering augmented Self-Supervised Learning: Anapplication to Land
Cover Mapping [10.720852987343896]
本稿では,自己教師型学習のためのクラスタリングに基づくプレテキストタスクを用いて,土地被覆マッピングの新しい手法を提案する。
社会的に関係のある2つのアプリケーションに対して,本手法の有効性を示す。
論文 参考訳（メタデータ） (2021-08-16T19:35:43Z) - DeepMerge II: Building Robust Deep Learning Algorithms for Merging
Galaxy Identification Across Domains [0.0]
天文学では、ニューラルネットワークはしばしばシミュレーションデータで訓練され、望遠鏡の観測に使用されます。
従来の深層学習アルゴリズムと比較して,各領域適応手法の追加により分類器の性能が向上することを示した。
この2つの例は、遠方の銀河の2つのIllustris-1シミュレーションデータセットと、近くの銀河のシミュレーションデータとSloan Digital Sky Surveyの観測データである。
論文 参考訳（メタデータ） (2021-03-02T00:24:10Z) - Flexible deep transfer learning by separate feature embeddings and
manifold alignment [0.0]
オブジェクト認識は、業界と防衛において重要な存在である。
残念ながら、既存のラベル付きデータセットでトレーニングされたアルゴリズムは、データ分布が一致しないため、直接新しいデータに一般化しない。
本稿では,各領域の特徴抽出を個別に学習することで,この制限を克服する新しいディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2020-12-22T19:24:44Z) - Geography-Aware Self-Supervised Learning [79.4009241781968]
異なる特徴により、標準ベンチマークにおけるコントラスト学習と教師あり学習の間には、非自明なギャップが持続していることが示される。
本稿では,リモートセンシングデータの空間的整合性を利用した新しいトレーニング手法を提案する。
提案手法は,画像分類,オブジェクト検出,セマンティックセグメンテーションにおけるコントラスト学習と教師あり学習のギャップを埋めるものである。
論文 参考訳（メタデータ） (2020-11-19T17:29:13Z) - A Survey on Deep Learning for Localization and Mapping: Towards the Age
of Spatial Machine Intelligence [48.67755344239951]
包括的調査を行い、深層学習を用いた局所化とマッピングのための新しい分類法を提案する。
オードメトリ推定、マッピング、グローバルローカライゼーション、同時ローカライゼーション、マッピングなど、幅広いトピックがカバーされている。
この研究がロボティクス、コンピュータビジョン、機械学習コミュニティの新たな成果を結び付けることを願っている。
論文 参考訳（メタデータ） (2020-06-22T19:01:21Z) - Trajectory annotation using sequences of spatial perception [0.0]
近い将来、より多くのマシンが人間の空間の近くでタスクを実行するようになる。
この作業は、この課題に対処するための基盤を構築します。
本稿では,ニューラルオートエンコーディングに基づく教師なし学習手法を提案する。
論文 参考訳（メタデータ） (2020-04-11T12:22:27Z) - Spatial Attention Pyramid Network for Unsupervised Domain Adaptation [66.75008386980869]
教師なし領域適応は様々なコンピュータビジョンタスクにおいて重要である。
教師なし領域適応のための新しい空間注意ピラミッドネットワークを設計する。
我々の手法は最先端の手法に対して大きなマージンで好適に機能する。
論文 参考訳（メタデータ） (2020-03-29T09:03:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。