論文の概要: Imbalance-aware Presence-only Loss Function for Species Distribution Modeling

• arxiv url: http://arxiv.org/abs/2403.07472v1
• Date: Tue, 12 Mar 2024 10:08:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-13 22:15:20.310868
• Title: Imbalance-aware Presence-only Loss Function for Species Distribution Modeling
• Title（参考訳）: 種分布モデリングのための不均衡アウェア存在限定損失関数
• Authors: Robin Zbinden, Nina van Tiel, Marc Ru{\ss}wurm, Devis Tuia
• Abstract要約: 本研究では,大規模市民科学に基づくデータセットに対して,存在のみの損失関数を用いたディープラーニングモデルのトレーニングの有効性を評価する。 この不均衡認識損失関数は、様々なデータセットやタスクにおける従来の損失関数よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 3.4306175858244794
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the face of significant biodiversity decline, species distribution models (SDMs) are essential for understanding the impact of climate change on species habitats by connecting environmental conditions to species occurrences. Traditionally limited by a scarcity of species observations, these models have significantly improved in performance through the integration of larger datasets provided by citizen science initiatives. However, they still suffer from the strong class imbalance between species within these datasets, often resulting in the penalization of rare species--those most critical for conservation efforts. To tackle this issue, this study assesses the effectiveness of training deep learning models using a balanced presence-only loss function on large citizen science-based datasets. We demonstrate that this imbalance-aware loss function outperforms traditional loss functions across various datasets and tasks, particularly in accurately modeling rare species with limited observations.
• Abstract（参考訳）: 生物多様性の著しい低下に直面した種分布モデル(SDM)は、環境条件と種の発生を結びつけることによって、気候変動が種生息地に与える影響を理解するために不可欠である。 伝統的に種観測の不足によって制限されていたこれらのモデルは、市民科学のイニシアチブによって提供されるより大きなデータセットを統合することで、性能が大幅に向上した。 しかし、これらのデータセット内の種間の強い階級的不均衡に苦しんでおり、しばしば希少種のペナルティ化を引き起こしている。 この問題に取り組むため,本研究は,大規模市民科学系データセットにおける存在限定損失関数を用いた深層学習モデルの学習の有効性を評価する。 この不均衡な損失関数は、様々なデータセットやタスク、特に限られた観察で希少種を正確にモデル化する上で、従来の損失関数よりも優れていることが示されている。

関連論文リスト

• Evolutionary Dispersal of Ecological Species via Multi-Agent Deep Reinforcement Learning [0.0]
  本研究は,多エージェント強化学習(MARL)と深度Q-networks(DQN)を用いて,単一種と捕食者-捕食者の相互作用をシミュレートする。 我々のシミュレーションでは、進化的分散戦略を明らかにし、種分散機構の洞察を与え、伝統的な数学的モデルを検証する。
  論文  参考訳（メタデータ） (2024-10-24T10:21:23Z)
• Low-rank finetuning for LLMs: A fairness perspective [54.13240282850982]
  低ランク近似技術は、微調整された大規模言語モデルのデファクトスタンダードとなっている。 本稿では,これらの手法が初期訓練済みデータ分布から微調整データセットのシフトを捉える上での有効性について検討する。 低ランク微調整は好ましくない偏見や有害な振る舞いを必然的に保存することを示す。
  論文  参考訳（メタデータ） (2024-05-28T20:43:53Z)
• Predicting Species Occurrence Patterns from Partial Observations [21.009271008147785]
  本稿では,(a)衛星画像を用いた種発生パターンの予測と,(b)他の種の発生に関する既知の情報を紹介する。 この課題に対して,衛星画像,環境データ,蝶の観察データのデータセットであるSatButterflyを導入する。 そこで本研究では,見つからない部分的な観測データの利用を可能にする種発生パターンを予測するための一般モデルR-Tranを提案する。
  論文  参考訳（メタデータ） (2024-03-26T18:29:39Z)
• On the selection and effectiveness of pseudo-absences for species distribution modeling with deep learning [3.8974747170521287]
  種分布モデリングは、環境条件と種の発生との関係を理解するための汎用的なツールである。 この制限を克服するため、一般的なアプローチは、負のサンプルとして指定された特定の地理的位置である擬似存在を用いることである。 本稿では,これらの課題を多種ニューラルネットワークのトレーニングに擬似存在を統合することで効果的に対処できることを実証する。
  論文  参考訳（メタデータ） (2024-01-03T16:06:30Z)
• SatBird: Bird Species Distribution Modeling with Remote Sensing and Citizen Science Data [68.2366021016172]
  本稿では,市民科学データベース eBird の観測データから得られたラベルを用いた,米国内の位置情報のサテライトデータセットである SatBird について述べる。 ケニアでは低データのレシエーションを表すデータセットも提供しています。 リモートセンシングタスクのためのSOTAモデルを含む、データセットのベースラインセットをベンチマークします。
  論文  参考訳（メタデータ） (2023-11-02T02:00:27Z)
• On the Connection between Pre-training Data Diversity and Fine-tuning Robustness [66.30369048726145]
  下流の有効ロバスト性に影響を与える主な要因はデータ量である。 各種自然および合成データソースから抽出した事前学習分布について,本研究の成果を示す。
  論文  参考訳（メタデータ） (2023-07-24T05:36:19Z)
• 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)
• Class-Balancing Diffusion Models [57.38599989220613]
  クラスバランシング拡散モデル(CBDM)は、分散調整正規化器をソリューションとして訓練する。 提案手法は,CIFAR100/CIFAR100LTデータセットで生成結果をベンチマークし,下流認識タスクにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-30T20:00:14Z)
• Ensembles of Vision Transformers as a New Paradigm for Automated Classification in Ecology [0.0]
  データ効率のよい画像変換器(DeiTs)のアンサンブルが従来のSOTA(SOTA)よりも大幅に優れていたことを示す。 テストしたすべてのデータセットに対して、新しいSOTAを実現し、以前のSOTAの18.48%から87.50%の誤差を削減した。
  論文  参考訳（メタデータ） (2022-03-03T14:16:22Z)
• StatEcoNet: Statistical Ecology Neural Networks for Species Distribution Modeling [8.534315844706367]
  本稿では、計算持続可能性と統計生態学におけるコアタスクである種分布モデリング(SDM)に焦点を当てる。 SDMでは、景観上の種の発生パターンは、一連の場所における観察に基づいて環境特性によって予測される。 本稿では,SDMのユニークな課題を解決するため,StatEcoNetというフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-17T02:19:00Z)
• A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
  ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。 また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
  論文  参考訳（メタデータ） (2020-06-08T19:24:54Z)

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。