論文の概要: No Location Left Behind: Measuring and Improving the Fairness of Implicit Representations for Earth Data

• arxiv url: http://arxiv.org/abs/2502.06831v1
• Date: Wed, 05 Feb 2025 16:51:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-12 14:09:40.453988
• Title: No Location Left Behind: Measuring and Improving the Fairness of Implicit Representations for Earth Data
• Title（参考訳）: 地球データにおける不適切な表現の公平性の測定と改善
• Authors: Daniel Cai, Randall Balestriero,
• Abstract要約: 暗黙の神経表現(INR)は、地球表象の課題に対処する上での公約が増大している。 既存の手法はグローバルな平均性能を不均等に優先する。 FAIR-Earthは、地球表象の不等式を調べ、挑戦するための第一種データセットである。
• 参考スコア（独自算出の注目度）: 13.412573082645096
• License:
• Abstract: Implicit neural representations (INRs) exhibit growing promise in addressing Earth representation challenges, ranging from emissions monitoring to climate modeling. However, existing methods disproportionately prioritize global average performance, whereas practitioners require fine-grained insights to understand biases and variations in these models. To bridge this gap, we introduce FAIR-Earth: a first-of-its-kind dataset explicitly crafted to examine and challenge inequities in Earth representations. FAIR-Earth comprises various high-resolution Earth signals and uniquely aggregates extensive metadata along stratifications like landmass size and population density to assess the fairness of models. Evaluating state-of-the-art INRs across the various modalities of FAIR-Earth, we uncover striking performance disparities. Certain subgroups, especially those associated with high-frequency signals (e.g., islands, coastlines), are consistently poorly modeled by existing methods. In response, we propose spherical wavelet encodings, building on previous spatial encoding research. Leveraging the multi-resolution capabilities of wavelets, our encodings yield consistent performance over various scales and locations, offering more accurate and robust representations of the biased subgroups. These open-source contributions represent a crucial step towards the equitable assessment and deployment of Earth INRs.
• Abstract（参考訳）: 暗黙の神経表現 (INR) は、大気汚染の観測から気候モデリングまで、地球表象の課題に対処する上での公約が増大している。 しかし、既存の手法はグローバルな平均的パフォーマンスを不均等に優先順位付けする一方、実践者はこれらのモデルのバイアスやバリエーションを理解するためにきめ細かい洞察を必要とする。 このギャップを埋めるために、我々はFAIR-Earthを紹介します。 FAIR-Earthは様々な高解像度の地球信号からなり、土地質量の大きさや人口密度などの成層に沿って独自のメタデータを集約し、モデルの公正さを評価する。 FAIR-Earthの様々なモードにおける最先端INRの評価を行い、顕著な性能格差を明らかにした。 特定のサブグループ、特に高周波信号(島々、海岸線など)に関連するものは、既存の手法によって一貫してモデル化されていない。 そこで本研究では,従来の空間符号化研究に基づく球面ウェーブレット符号化を提案する。 ウェーブレットの多重分解能を利用すると、エンコーディングは様々なスケールや場所に対して一貫した性能を示し、偏りのある部分群のより正確で堅牢な表現を提供する。 これらのオープンソースコントリビューションは、地球INRの公平な評価と展開に向けた重要なステップである。

関連論文リスト

• Foundation Models for Remote Sensing and Earth Observation: A Survey [101.77425018347557]
  本調査は、リモートセンシング基礎モデル(RSFM)の新しい分野を体系的にレビューする。 モチベーションと背景の概要から始まり、続いて基本概念が導入された。 我々はこれらのモデルを公開データセットと比較し、既存の課題について議論し、今後の研究方向性を提案する。
  論文  参考訳（メタデータ） (2024-10-22T01:08:21Z)
• MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
  気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。 以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。 本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
  論文  参考訳（メタデータ） (2024-08-20T13:45:49Z)
• Generative Adversarial Models for Extreme Geospatial Downscaling [0.0]
  本稿では,非常に高いスケーリング係数に対応可能な条件付きGANに基づく地理空間ダウンスケーリング手法について述べる。 この手法は、既存の手法では無視されがちなダウンスケーリングプロセスに固有の不確実性を明確に考慮する。 1つの決定論的結果ではなく、多量の高分解能サンプルを生成する。
  論文  参考訳（メタデータ） (2024-02-21T18:25:04Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• SatDM: Synthesizing Realistic Satellite Image with Semantic Layout Conditioning using Diffusion Models [0.0]
  Denoising Diffusion Probabilistic Models (DDPM) は意味的レイアウトから現実的なイメージを合成する上で大きな可能性を証明している。 本稿では,セマンティックマップを用いて高品質で多様な衛星画像を生成する条件付きDDPMモデルを提案する。 提案モデルの有効性は,本研究の文脈内で導入した詳細なラベル付きデータセットを用いて検証する。
  論文  参考訳（メタデータ） (2023-09-28T19:39:13Z)
• Implicit neural representation for change detection [15.741202788959075]
  点雲の変化を検出する最も一般的なアプローチは、教師付き手法に基づいている。 Inlicit Neural Representation (INR) for continuous shape reconstruction と Gaussian Mixture Model for categorising change の2つのコンポーネントからなる教師なしアプローチを提案する。 本手法を都市スプロールのためのシミュレーションLiDAR点雲からなるベンチマークデータセットに適用する。
  論文  参考訳（メタデータ） (2023-07-28T09:26:00Z)
• 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)
• Earthformer: Exploring Space-Time Transformers for Earth System Forecasting [27.60569643222878]
  本研究では,地球系予測のための時空間変圧器である地球変圧器を提案する。 Transformerは、Cuboid Attentionという、汎用的で柔軟で効率的な時空アテンションブロックに基づいている。 降水量計に関する2つの実世界のベンチマークとエルニーノ/サウス・テンポシエーションの実験は、アースフォーマーが最先端のパフォーマンスを達成したことを示している。
  論文  参考訳（メタデータ） (2022-07-12T20:52:26Z)
• A Generative Deep Learning Approach to Stochastic Downscaling of Precipitation Forecasts [0.5906031288935515]
  GAN(Generative Adversarial Network)は、コンピュータビジョンコミュニティによって超高解像度問題で成功することが実証されている。 GANとVAE-GANは、高分解能で空間的に整合した降水マップを作成しながら、最先端のポイントワイズポストプロセッシング手法の統計的特性と一致することを示す。
  論文  参考訳（メタデータ） (2022-04-05T07:19:42Z)
• A Multi-Semantic Metapath Model for Large Scale Heterogeneous Network Representation Learning [52.83948119677194]
  大規模不均一表現学習のためのマルチセマンティックメタパス(MSM)モデルを提案する。 具体的には,マルチセマンティックなメタパスに基づくランダムウォークを生成し,不均衡な分布を扱うヘテロジニアスな近傍を構築する。 提案するフレームワークに対して,AmazonとAlibabaの2つの挑戦的なデータセットに対して,体系的な評価を行う。
  論文  参考訳（メタデータ） (2020-07-19T22:50:20Z)
• HighRes-net: Recursive Fusion for Multi-Frame Super-Resolution of Satellite Imagery [55.253395881190436]
  MFSR(Multi-frame Super-Resolution)は、問題に対するより根底的なアプローチを提供する。 これは、地球上の人間の影響を衛星で観測する上で重要である。 我々は,MFSRにおける最初のディープラーニングアプローチであるHighRes-netを紹介し,そのサブタスクをエンドツーエンドで学習する。
  論文  参考訳（メタデータ） (2020-02-15T22:17:47Z)

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。