論文の概要: LD-SDM: Language-Driven Hierarchical Species Distribution Modeling

• arxiv url: http://arxiv.org/abs/2312.08334v1
• Date: Wed, 13 Dec 2023 18:11:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-14 14:38:51.507271
• Title: LD-SDM: Language-Driven Hierarchical Species Distribution Modeling
• Title（参考訳）: LD-SDM:言語駆動型階層型種分布モデリング
• Authors: Srikumar Sastry, Xin Xing, Aayush Dhakal, Subash Khanal, Adeel Ahmad, Nathan Jacobs
• Abstract要約: 我々は,世界規模の存在のみのデータを用いた種分布モデリングの問題に焦点をあてる。 種間の強い暗黙の関係を捉えるため,大きな言語モデルを用いて,種の分類学的階層を符号化した。 そこで本研究では,種分布モデルの評価が可能な近接認識評価指標を提案する。
• 参考スコア（独自算出の注目度）: 9.620416509546471
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We focus on the problem of species distribution modeling using global-scale presence-only data. Most previous studies have mapped the range of a given species using geographical and environmental features alone. To capture a stronger implicit relationship between species, we encode the taxonomic hierarchy of species using a large language model. This enables range mapping for any taxonomic rank and unseen species without additional supervision. Further, we propose a novel proximity-aware evaluation metric that enables evaluating species distribution models using any pixel-level representation of ground-truth species range map. The proposed metric penalizes the predictions of a model based on its proximity to the ground truth. We describe the effectiveness of our model by systematically evaluating on the task of species range prediction, zero-shot prediction and geo-feature regression against the state-of-the-art. Results show our model outperforms the strong baselines when trained with a variety of multi-label learning losses.
• Abstract（参考訳）: グローバルスケールのプレゼンスオンリーデータを用いた種分布モデルの問題に着目する。 以前のほとんどの研究は、地理的および環境的特徴だけで特定の種の範囲をマッピングした。 種間のより強い暗黙的な関係を捉えるため、大きな言語モデルを用いて種の分類体系をコードする。 これにより、いかなる分類学的階級や見当たらない種についても、追加の監督なしに範囲マッピングが可能である。 さらに,地上種範囲マップの画素レベル表現を用いた種分布モデルの評価を可能にする新しい近接認識評価指標を提案する。 提案した計量は、その基底真理に近いことに基づいて、モデルの予測をペナルティ化する。 本モデルの有効性を,種範囲予測,ゼロショット予測,地表面回帰といった課題に基づいて体系的に評価することで述べる。 その結果,複数ラベルの学習損失のトレーニングでは,モデルが強いベースラインを上回っていることがわかった。

関連論文リスト

• Multi-Scale and Multimodal Species Distribution Modeling [4.022195138381868]
  種分布モデル (SDM) は, 発生データと環境変数の分布を予測することを目的としている。 SDMへのディープラーニングの最近の応用は、特に空間データを含む新しい道を可能にしている。 我々はSDMのモジュール構造を開発し、シングルスケールとマルチスケールの両方でスケールの効果をテストする。 GeoLifeCLEF 2023ベンチマークの結果は、マルチモーダルデータとマルチスケール表現の学習を考えると、より正確なモデルが得られることを示している。
  論文  参考訳（メタデータ） (2024-11-06T15:57:20Z)
• Combining Observational Data and Language for Species Range Estimation [63.65684199946094]
  我々は,数百万の市民科学種の観察とウィキペディアのテキスト記述を組み合わせた新しいアプローチを提案する。 我々のフレームワークは、場所、種、テキスト記述を共通空間にマッピングし、テキスト記述からゼロショット範囲の推定を可能にする。 また,本手法は観測データと組み合わせることで,少ないデータでより正確な距離推定を行うことができる。
  論文  参考訳（メタデータ） (2024-10-14T17:22:55Z)
• Generating Binary Species Range Maps [12.342459602972609]
  種分散モデル(SDM)や、より最近では、ディープラーニングベースの変種が、潜在的な自動化された代替手段を提供する。 深層学習に基づくSDMは、特定の場所における種の存在を予測した確率を連続的に生成する。 本研究では,プレゼンスのみのデータを用いたレンジマップのバイナライズのための最適しきい値の自動同定手法について検討した。
  論文  参考訳（メタデータ） (2024-08-28T17:17:20Z)
• Active Learning-Based Species Range Estimation [20.422188189640053]
  そこで本研究では,地上観測の限られた数から,種の地理的範囲を効率的に推定するための,新しいアクティブラーニング手法を提案する。 弱教師付きコミュニティで収集された観測データに基づいて訓練されたモデルを用いて,この候補範囲の集合を生成することができることを示す。 提案手法の詳細な評価を行い,1000種に対する専門家由来の範囲を含む評価データセットを用いて,既存のアクティブラーニング手法と比較した。
  論文  参考訳（メタデータ） (2023-11-03T17:45:18Z)
• Spatial Implicit Neural Representations for Global-Scale Species Mapping [72.92028508757281]
  ある種が観察された場所の集合を考えると、その種がどこにいても存在しないかを予測するためのモデルを構築することが目的である。 従来の手法は、新たな大規模クラウドソースデータセットを活用するのに苦労している。 本研究では,47k種の地理的範囲を同時に推定するために,空間入射ニューラル表現(SINR)を用いる。
  論文  参考訳（メタデータ） (2023-06-05T03:36:01Z)
• Bird Distribution Modelling using Remote Sensing and Citizen Science data [31.375576105932442]
  気候変動は生物多様性の喪失の主要な要因である。 種の分布には大きな知識ギャップがある。 本稿では,コンピュータビジョンを利用した種分散モデルの改良手法を提案する。
  論文  参考訳（メタデータ） (2023-05-01T20:27:11Z)
• MAUVE Scores for Generative Models: Theory and Practice [95.86006777961182]
  本報告では,テキストや画像の生成モデルで発生するような分布のペア間の比較尺度であるMAUVEについて述べる。 我々は、MAUVEが人間の文章の分布と現代のニューラル言語モデルとのギャップを定量化できることを発見した。 我々は、MAUVEが既存のメトリクスと同等以上の画像の既知の特性を識別できることを視覚領域で実証する。
  論文  参考訳（メタデータ） (2022-12-30T07:37:40Z)
• 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)
• Polynomial Networks in Deep Classifiers [55.90321402256631]
  我々は深層ニューラルネットワークの研究を統一的な枠組みで行った。 私たちのフレームワークは、各モデルの誘導バイアスに関する洞察を提供します。 提案モデルの有効性を,標準画像および音声分類ベンチマークで評価した。
  論文  参考訳（メタデータ） (2021-04-16T06:41:20Z)
• Two-View Fine-grained Classification of Plant Species [66.75915278733197]
  本研究では,2視点の葉のイメージ表現に基づく新しい手法と,植物種の粒度認識のための階層的分類戦略を提案する。 シームズ畳み込みニューラルネットワークに基づく深度測定は、多数のトレーニングサンプルへの依存を減らし、新しい植物種に拡張性を持たせるために用いられる。
  論文  参考訳（メタデータ） (2020-05-18T21:57:47Z)

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。