Fugu-MT 論文翻訳(概要): POLARIS: A Geographic Pre-trained Model and its Applications in Baidu Maps

論文の概要: POLARIS: A Geographic Pre-trained Model and its Applications in Baidu Maps

arxiv url: http://arxiv.org/abs/2203.09127v1
Date: Thu, 17 Mar 2022 07:07:33 GMT
ステータス: 処理完了
システム内更新日: 2022-03-18 13:02:34.733430
Title: POLARIS: A Geographic Pre-trained Model and its Applications in Baidu Maps
Title（参考訳）: POLARIS: Baidu Mapsにおける地理事前学習モデルとその応用
Authors: Huang Jizhou and Wang Haifeng and Sun Yibo and Shi Yunsheng and Huang Zhengjie and Zhuo An and Feng Shikun
Abstract要約: POLARISは、Baidu Mapsの地理関連タスクを改善するために設計された、事前訓練されたモデルである。 POLARISは、大規模データに基づいて事前学習することで、地理言語の普遍的な表現を学ぶために精巧に設計されている。 POLARISはすでに2021年4月からBaidu Mapsで運用されている。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Pre-trained models (PTMs) have become a fundamental backbone for downstream tasks in natural language processing and computer vision. Despite initial gains that were obtained by applying generic PTMs to geo-related tasks at Baidu Maps, a clear performance plateau over time was observed. One of the main reasons for this plateau is the lack of readily available geographic knowledge in generic PTMs. To address this problem, in this paper, we present POLARIS, which is a geographic pre-trained model designed and developed for improving the geo-related tasks at Baidu Maps. POLARIS is elaborately designed to learn a universal representation of geography-language by pre-training on large-scale data generated from a heterogeneous graph that contains abundant geographic knowledge. Extensive quantitative and qualitative experiments conducted on large-scale real-world datasets demonstrate the superiority and effectiveness of POLARIS. POLARIS has already been deployed in production at Baidu Maps since April 2021, which significantly benefits the performance of a wide range of downstream tasks. This demonstrates that POLARIS can serve as a fundamental backbone for geo-related tasks.
Abstract（参考訳）: 事前学習モデル(PTM)は、自然言語処理やコンピュータビジョンにおける下流タスクの基本的なバックボーンとなっている。 Baidu Maps の地理関連タスクに汎用的 PTM を適用することで得られる初期利益にもかかわらず、時間経過とともに明らかなパフォーマンスプラトーが観測された。この台地の主な理由の1つは、汎用的なPTMにおいて容易に利用できる地理的知識が欠如していることである。この問題に対処するため,本稿では,Baidu Mapsにおける地理関連タスクの改善を目的とした地理事前学習モデルPOLARISを提案する。 POLARISは、豊富な地理知識を含む異種グラフから生成された大規模データを事前学習することで、地理言語の普遍的な表現を学ぶために精巧に設計されている。大規模実世界のデータセットを用いた大規模定量定性的実験は、POLARISの優位性と有効性を示す。 POLARISはすでに2021年4月からBaidu Mapsで運用されている。このことは、POLARISが地理的関連タスクの基本的なバックボーンとして機能できることを示している。

関連論文リスト

Geolocation with Real Human Gameplay Data: A Large-Scale Dataset and Human-Like Reasoning Framework [59.42946541163632]
3つの重要なコンポーネントを持つ包括的位置決めフレームワークを導入する。大規模データセットGeoComp、新しい推論手法GeoCoT、評価指標GeoEval。また,GeoCoTは解釈可能性を高めつつ,位置情報の精度を最大25%向上させることを示した。
論文参考訳（メタデータ） (2025-02-19T14:21:25Z)
PEACE: Empowering Geologic Map Holistic Understanding with MLLMs [64.58959634712215]
地質図は地質学の基本的な図として、地球の地下と地表の構造と構成に関する重要な洞察を提供する。その重要性にもかかわらず、現在のマルチモーダル大言語モデル(MLLM)は地質図の理解に乏しいことが多い。このギャップを定量化するために、地質地図理解においてMLLMを評価するための最初のベンチマークであるGeoMap-Benchを構築した。
論文参考訳（メタデータ） (2025-01-10T18:59:42Z)
MapEval: A Map-Based Evaluation of Geo-Spatial Reasoning in Foundation Models [7.422346909538787]
地理空間的推論を用いて,多種多様かつ複雑なマップベースのユーザクエリを評価するためのベンチマークであるMapEvalを紹介する。 MapEvalは、180の都市と54の国にまたがる場所に関する700の独特な複数の質問で構成されている。我々の詳細な分析は、現在のモデルの長所と短所に関する洞察を提供するが、すべてのモデルは、平均して20%以上の人的性能に欠ける。このギャップは、地理的空間的理解を強くした汎用基盤モデルの推進におけるMapEvalの重要な役割を強調している。
論文参考訳（メタデータ） (2024-12-31T07:20:32Z)
Geolocation Representation from Large Language Models are Generic Enhancers for Spatio-Temporal Learning [10.438284728725842]
普遍表現モデルは、自然言語処理やコンピュータビジョンで広く使われているよりも一般的ではない。この相違は、主に既存の表現モデルの入力に関連する高コストから生じる。本研究では,大規模言語モデルを用いて位置情報表現を導出する学習自由手法を開発した。
論文参考訳（メタデータ） (2024-08-22T04:05:02Z)
Biological Valuation Map of Flanders: A Sentinel-2 Imagery Analysis [12.025312586542318]
我々は、センチネル2衛星画像と組み合わせたフランダースの高密度なラベル付き地上真理マップを提示する。提案手法は,地形図のレイアウトである「Kaartbladversnijdingen」と,詳細なセマンティックセグメンテーションモデルトレーニングパイプラインを利用する,形式化されたデータセット分割とサンプリング手法を含む。
論文参考訳（メタデータ） (2024-01-26T22:21:39Z)
Assessment of a new GeoAI foundation model for flood inundation mapping [4.312965283062856]
そこで本稿は,IBM-NASAのPrithviによる地空間基盤モデルの性能評価を行い,地空間解析の重要課題である洪水浸水マッピングを支援する。実験では、ベンチマークデータセットであるSen1Floods11を使用し、モデルの予測可能性、一般化可能性、転送可能性を評価する。以上の結果から, 未確認領域におけるセグメンテーションにおけるPrithviモデルの性能上の優位性が示された。
論文参考訳（メタデータ） (2023-09-25T19:50:47Z)
Geo-Encoder: A Chunk-Argument Bi-Encoder Framework for Chinese Geographic Re-Ranking [61.60169764507917]
中国の地理的再ランクタスクは、検索された候補者の中で最も関連性の高い住所を見つけることを目的としている。そこで我々は,中国語の地理的意味論をより効果的に統合する,革新的なフレームワークであるGeo-Encoderを提案する。
論文参考訳（メタデータ） (2023-09-04T13:44:50Z)
On the Opportunities and Challenges of Foundation Models for Geospatial Artificial Intelligence [39.86997089245117]
ファンデーションモデル(FM)は、微調整、少数ショット、ゼロショット学習によって、幅広い下流タスクに適応することができる。我々は,GeoAIのためのFMを開発する上で大きな課題の一つとして,地理空間的タスクのマルチモーダル性に対処することを提案する。
論文参考訳（メタデータ） (2023-04-13T19:50:17Z)
GeoNet: Benchmarking Unsupervised Adaptation across Geographies [71.23141626803287]
地理的ロバスト性の問題について検討し、3つの主要な貢献を行う。まず,地理的適応のための大規模データセットGeoNetを紹介する。第2に、シーンコンテキストにおける大きな変化から、ドメインシフトの主な原因が生じるという仮説を立てる。第3に、最先端の教師なしドメイン適応アルゴリズムとアーキテクチャを広範囲に評価する。
論文参考訳（メタデータ） (2023-03-27T17:59:34Z)
A General Purpose Neural Architecture for Geospatial Systems [142.43454584836812]
本稿では,空間的帰納バイアスを持つ汎用ニューラルアーキテクチャ(GPNA)の構築に向けたロードマップを示す。このようなモデルがコミュニティのメンバー間の協力をいかに促進するかを考察する。
論文参考訳（メタデータ） (2022-11-04T09:58:57Z)
Dataset Cartography: Mapping and Diagnosing Datasets with Training Dynamics [118.75207687144817]
我々はデータセットを特徴付け、診断するモデルベースのツールであるData Mapsを紹介した。私たちは、トレーニング中の個々のインスタンス上でのモデルの振る舞いという、ほとんど無視された情報のソースを活用しています。以上の結果から,データ量から品質へのフォーカスの変化は,ロバストなモデルとアウト・オブ・ディストリビューションの一般化に繋がる可能性が示唆された。
論文参考訳（メタデータ） (2020-09-22T20:19:41Z)

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。