論文の概要: Evaluation Challenges for Geospatial ML
- arxiv url: http://arxiv.org/abs/2303.18087v1
- Date: Fri, 31 Mar 2023 14:24:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-03 13:46:21.233829
- Title: Evaluation Challenges for Geospatial ML
- Title(参考訳): 地理空間MLの評価課題
- Authors: Esther Rolf
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 5.576083740549639
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As geospatial machine learning models and maps derived from their predictions
are increasingly used for downstream analyses in science and policy, it is
imperative to evaluate their accuracy and applicability. Geospatial machine
learning has key distinctions from other learning paradigms, and as such, the
correct way to measure performance of spatial machine learning outputs has been
a topic of debate. In this paper, I delineate unique challenges of model
evaluation for geospatial machine learning with global or remotely sensed
datasets, culminating in concrete takeaways to improve evaluations of
geospatial model performance.
- Abstract(参考訳): 地理空間機械学習モデルとそれらの予測から派生した地図は、科学や政策の下流分析にますます利用されているため、その正確性と適用性を評価することが不可欠である。
地理空間機械学習は、他の学習パラダイムとの大きな違いがあり、空間機械学習出力のパフォーマンスを測定する正しい方法が議論の対象となっている。
本稿では,地理空間モデルの性能評価を改善するために,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を,具体的テイクアウトで決定する。
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) - Better, Not Just More: Data-Centric Machine Learning for Earth Observation [16.729827218159038]
モデル中心の視点から補完的なデータ中心の視点へのシフトは、より正確性、一般化能力、そしてエンドユーザーアプリケーションへの影響を高めるために必要である。
本研究は、地理空間データに対する自動データ中心学習手法の正確な分類と概要と、その定義を提示する。
論文 参考訳(メタデータ) (2023-12-08T19:24:05Z) - Challenges in data-based geospatial modeling for environmental research
and practice [19.316860936437823]
機械学習(ML)を用いたデータに基づく地理空間モデリングが環境研究で人気を博している。
本研究では,不均衡データ,空間自己相関,予測誤差,モデル一般化,ドメイン特異性,不確実性推定など,地理空間モデリングにおける一般的なニュアンスについて検討する。
論文 参考訳(メタデータ) (2023-11-18T12:30:49Z) - Explainable GeoAI: Can saliency maps help interpret artificial
intelligence's learning process? An empirical study on natural feature
detection [4.52308938611108]
本稿では,GeoAIと深層学習モデルの推論行動の解釈において,一般的なサリエンシマップ生成手法とその長所と短所を比較した。
実験では、2つのGeoAI対応データセットを使用して、研究結果の一般化性を実証した。
論文 参考訳(メタデータ) (2023-03-16T21:37:29Z) - Generalization Properties of Retrieval-based Models [50.35325326050263]
検索ベースの機械学習手法は、幅広い問題で成功をおさめた。
これらのモデルの約束を示す文献が増えているにもかかわらず、そのようなモデルの理論的基盤はいまだに解明されていない。
本稿では,その一般化能力を特徴付けるために,検索ベースモデルの形式的処理を行う。
論文 参考訳(メタデータ) (2022-10-06T00:33:01Z) - 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) - ALT-MAS: A Data-Efficient Framework for Active Testing of Machine
Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。
ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文 参考訳(メタデータ) (2021-04-11T12:14:04Z) - Geostatistical Learning: Challenges and Opportunities [0.0]
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。
論文 参考訳(メタデータ) (2021-02-17T14:33:15Z) - Surface Warping Incorporating Machine Learning Assisted Domain
Likelihood Estimation: A New Paradigm in Mine Geology Modelling and
Automation [68.8204255655161]
新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。
本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。
その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
論文 参考訳(メタデータ) (2021-02-15T10:37:52Z) - A User's Guide to Calibrating Robotics Simulators [54.85241102329546]
本稿では,シミュレーションで学習したモデルやポリシーを現実世界に伝達することを目的とした,様々なアルゴリズムの研究のためのベンチマークとフレームワークを提案する。
我々は、様々なアルゴリズムの性能に関する洞察を特徴付け、提供するために、広く知られたシミュレーション環境の実験を行う。
我々の分析は、この分野の実践者にとって有用であり、sim-to-realアルゴリズムの動作と主特性について、より深い選択をすることができる。
論文 参考訳(メタデータ) (2020-11-17T22:24:26Z) - 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)
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。