論文の概要: Geostatistical Learning: Challenges and Opportunities
- arxiv url: http://arxiv.org/abs/2102.08791v1
- Date: Wed, 17 Feb 2021 14:33:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-18 14:47:22.034424
- Title: Geostatistical Learning: Challenges and Opportunities
- Title(参考訳): 地理統計的学習 : 挑戦と機会
- Authors: J\'ulio Hoffimann, Maciel Zortea, Breno de Carvalho, Bianca Zadrozny
- Abstract要約: 本稿では,地理統計学的(移動)学習問題を紹介し,地理空間データからの学習の課題を説明する。
合成ガウス過程データとニュージーランドの地球物理調査の実データを用いた実験は、いずれの手法も地理空間的文脈におけるモデル選択に適していないことを示している。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Statistical learning theory provides the foundation to applied machine
learning, and its various successful applications in computer vision, natural
language processing and other scientific domains. The theory, however, does not
take into account the unique challenges of performing statistical learning in
geospatial settings. For instance, it is well known that model errors cannot be
assumed to be independent and identically distributed in geospatial (a.k.a.
regionalized) variables due to spatial correlation; and trends caused by
geophysical processes lead to covariate shifts between the domain where the
model was trained and the domain where it will be applied, which in turn harm
the use of classical learning methodologies that rely on random samples of the
data. In this work, we introduce the geostatistical (transfer) learning
problem, and illustrate the challenges of learning from geospatial data by
assessing widely-used methods for estimating generalization error of learning
models, under covariate shift and spatial correlation. Experiments with
synthetic Gaussian process data as well as with real data from geophysical
surveys in New Zealand indicate that none of the methods are adequate for model
selection in a geospatial context. We provide general guidelines regarding the
choice of these methods in practice while new methods are being actively
researched.
- Abstract(参考訳): 統計的学習理論は機械学習の応用の基礎となり、コンピュータビジョン、自然言語処理、その他の科学分野における様々な応用が成功した。
しかし、この理論は、地理空間設定における統計的学習のユニークな課題を考慮に入れていない。
例えば、モデル誤差は独立であり、地理空間(a.a.)で同一に分布しているとは仮定できないことはよく知られている。
地域化) 空間的相関による変数、そして、地球物理学的プロセスによって引き起こされるトレンドは、モデルが訓練された領域と適用される領域の間の共変量シフトにつながり、結果としてデータのランダムなサンプルに依存する古典的学習方法論の使用を損なう。
本研究では,共変量シフトと空間相関の下で,学習モデルの一般化誤差を推定するための広く使われている手法を評価し,地理空間データから学習する課題を説明する。
合成ガウス過程データとニュージーランドの地球物理調査の実データを用いた実験は、いずれの手法も地理空間的文脈におけるモデル選択に適していないことを示している。
我々は,新しい手法が積極的に研究されている間,これらの手法の実践的選択に関する一般的なガイドラインを提供する。
関連論文リスト
- An Ensemble Framework for Explainable Geospatial Machine Learning Models [16.010404125829876]
本稿では,局所空間重み付け手法,説明可能な人工知能(XAI),最先端機械学習技術を融合した統合フレームワークを提案する。
この枠組みは、地理的回帰と分類の両方において、予測の解釈可能性と精度を高めるために検証される。
これは予測精度を大幅に向上させ、空間現象を理解するための新しいアプローチを提供する。
論文 参考訳(メタデータ) (2024-03-05T21:12:10Z) - Improving Heterogeneous Model Reuse by Density Estimation [105.97036205113258]
本稿では,異なる参加者の個人データを用いてモデルを学習することを目的とした多人数学習について検討する。
モデルの再利用は、各パーティーのためにローカルモデルがトレーニングされていると仮定して、マルチパーティの学習にとって有望なソリューションである。
論文 参考訳(メタデータ) (2023-05-23T09:46:54Z) - A stable deep adversarial learning approach for geological facies
generation [32.97208255533144]
深層生成学習は、従来の地形シミュレーションモデルの限界を克服するための有望なアプローチである。
本研究は, 地下ボリュームにおける条件付き蛇行チャネルに対する, 生成的対向ネットワークと深部変動推論の適用性について検討することを目的とする。
論文 参考訳(メタデータ) (2023-05-12T14:21:14Z) - Neural networks for geospatial data [0.0]
NN-GLSは、GPモデルの非線形平均に対する新しいニューラルネットワーク推定アルゴリズムである。
NN-GLSはグラフニューラルネットワーク(GNN)の特殊型として表現されていることを示す。
これは空間データに対するニューラルネットワークアルゴリズムにおける最初の結果整合性である。
論文 参考訳(メタデータ) (2023-04-18T17:52:23Z) - Evaluation Challenges for Geospatial ML [5.576083740549639]
地理空間機械学習モデルと地図は、科学と政策の下流分析にますます使われている。
空間機械学習出力の正確な測定方法は議論の的となっている。
本稿では,グローバルあるいはリモートセンシングされたデータセットを用いた地理空間機械学習におけるモデル評価のユニークな課題について述べる。
論文 参考訳(メタデータ) (2023-03-31T14:24:06Z) - Towards Understanding and Mitigating Dimensional Collapse in
Heterogeneous Federated Learning [114.32726625370258]
フェデレートラーニングは、プライバシを考慮したデータ共有を必要とせずに、さまざまなクライアントでモデルをトレーニングすることを目的としている。
本研究では,データの不均一性がグローバル集約モデルの表現に与える影響について検討する。
フェデレーション学習における次元的崩壊を効果的に緩和する新しい手法である sc FedDecorr を提案する。
論文 参考訳(メタデータ) (2022-10-01T09:04:17Z) - FedILC: Weighted Geometric Mean and Invariant Gradient Covariance for
Federated Learning on Non-IID Data [69.0785021613868]
フェデレートラーニング(Federated Learning)とは、ローカルに計算されたパラメータの更新を、空間的に分散されたクライアントサイロからトレーニングデータに集約することで、共有サーバモデルによる学習を可能にする分散機械学習アプローチである。
本研究では, 勾配の共分散とヘッセンの幾何学的平均を利用して, シロ間およびシロ内成分の両方を捕捉するフェデレート不変学習一貫性(FedILC)アプローチを提案する。
これは医療、コンピュータビジョン、IoT(Internet of Things)といった様々な分野に関係している。
論文 参考訳(メタデータ) (2022-05-19T03:32:03Z) - Spatial machine-learning model diagnostics: a model-agnostic
distance-based approach [91.62936410696409]
本研究は,空間予測誤差プロファイル (SPEP) と空間変数重要度プロファイル (SVIP) を,新しいモデルに依存しない評価・解釈ツールとして提案する。
統計学的手法、線形モデル、ランダムフォレスト、ハイブリッドアルゴリズムのSPEPとSVIPは、顕著な差異と関連する類似性を示している。
この新しい診断ツールは空間データ科学のツールキットを充実させ、MLモデルの解釈、選択、設計を改善する可能性がある。
論文 参考訳(メタデータ) (2021-11-13T01:50:36Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳(メタデータ) (2021-09-06T13:10:37Z) - An Information-theoretic Approach to Distribution Shifts [9.475039534437332]
機械学習モデルを現実世界に安全にデプロイすることは、しばしば難しいプロセスである。
特定の地理的位置から得られたデータで訓練されたモデルは、他の場所で得られたデータでクエリされたときに失敗する傾向がある。
集団のサブセットに適合するニューラルネットワークは 選択バイアスを 与えるかもしれない
論文 参考訳(メタデータ) (2021-06-07T16:44:21Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳(メタデータ) (2020-12-15T16:29:49Z)
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。