論文の概要: Learning to Retrieve for Environmental Knowledge Discovery: An Augmentation-Adaptive Self-Supervised Learning Framework

• arxiv url: http://arxiv.org/abs/2509.14563v1
• Date: Thu, 18 Sep 2025 02:51:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 17:26:53.037127
• Title: Learning to Retrieve for Environmental Knowledge Discovery: An Augmentation-Adaptive Self-Supervised Learning Framework
• Title（参考訳）: 環境知識発見のための学習:拡張適応型自己監督学習フレームワーク
• Authors: Shiyuan Luo, Runlong Yu, Chonghao Qiu, Rahul Ghosh, Robert Ladwig, Paul C. Hanson, Yiqun Xie, Xiaowei Jia,
• Abstract要約: 本稿では、対象生態系のモデリングを強化するために、関連する観測サンプルを検索するAugmentation-Adaptive Self-Supervised Learning (A$2$SL)フレームワークを提案する。 これらの学習された類似性は、ターゲットシナリオを異なる場所や時間から関連するデータで補完する検索メカニズムを駆動する。 実世界の湖沼における水温と溶存酸素動態のモデル化におけるA$2$SLの評価を行った。
• 参考スコア（独自算出の注目度）: 25.330052609002575
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The discovery of environmental knowledge depends on labeled task-specific data, but is often constrained by the high cost of data collection. Existing machine learning approaches usually struggle to generalize in data-sparse or atypical conditions. To this end, we propose an Augmentation-Adaptive Self-Supervised Learning (A$^2$SL) framework, which retrieves relevant observational samples to enhance modeling of the target ecosystem. Specifically, we introduce a multi-level pairwise learning loss to train a scenario encoder that captures varying degrees of similarity among scenarios. These learned similarities drive a retrieval mechanism that supplements a target scenario with relevant data from different locations or time periods. Furthermore, to better handle variable scenarios, particularly under atypical or extreme conditions where traditional models struggle, we design an augmentation-adaptive mechanism that selectively enhances these scenarios through targeted data augmentation. Using freshwater ecosystems as a case study, we evaluate A$^2$SL in modeling water temperature and dissolved oxygen dynamics in real-world lakes. Experimental results show that A$^2$SL significantly improves predictive accuracy and enhances robustness in data-scarce and atypical scenarios. Although this study focuses on freshwater ecosystems, the A$^2$SL framework offers a broadly applicable solution in various scientific domains.
• Abstract（参考訳）: 環境知識の発見はラベル付きタスク固有のデータに依存するが、高コストのデータ収集によって制約されることが多い。 既存の機械学習アプローチは、通常、データスパースまたは非典型的条件で一般化するのに苦労する。 この目的のために,対象生態系のモデリングを強化するために,関連する観測サンプルを検索する拡張適応型自己改善学習(A$^2$SL)フレームワークを提案する。 具体的には、シナリオ間の様々な類似度をキャプチャするシナリオエンコーダを訓練するために、多段階のペアワイズ学習損失を導入する。 これらの学習された類似性は、ターゲットシナリオを異なる場所や時間から関連するデータで補完する検索メカニズムを駆動する。 さらに、従来のモデルが苦労する非典型的あるいは極端な条件下で、変数シナリオをよりよく扱うために、ターゲットデータ拡張を通じてこれらのシナリオを選択的に拡張する拡張適応機構を設計する。 本研究では,淡水生態系を事例として,実世界の湖沼における水温と溶存酸素動態のモデル化におけるA$^2$SLの評価を行った。 実験結果から,A$^2$SLは予測精度を著しく向上し,データスカースおよび非典型シナリオの堅牢性を向上させることが示された。 この研究は淡水生態系に焦点を当てているが、A$^2$SLフレームワークは様々な科学領域で広く適用可能なソリューションを提供する。

関連論文リスト

• LifelongPR: Lifelong point cloud place recognition based on sample replay and prompt learning [15.464706470200337]
  本稿では,PCPRのための新しい連続学習フレームワークであるLifelongPRを提案する。 LifelongPRは、シーケンシャルポイントクラウドデータから知識を効果的に抽出し、融合する。 提案手法はmIR@1の6.50%,mR@1の7.96%,Fの8.95%削減を実現する。
  論文  参考訳（メタデータ） (2025-07-14T08:13:33Z)
• SSL4Eco: A Global Seasonal Dataset for Geospatial Foundation Models in Ecology [3.743127390843568]
  自己教師付き学習は、ラベルのないデータからの学習表現を可能にした。 これらのモデルは、高い人間の活動領域に偏ったデータセットに基づいて訓練されることが多い。 植生の季節性を世界規模でより正確に把握するために, 簡易な表現インフォームドサンプリング戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-25T10:58:44Z)
• Counterfactual experience augmented off-policy reinforcement learning [9.77739016575541]
  CEAは効率的な推論モデルを構築し、学習データの表現性を向上する。 変分オートエンコーダを使用して状態遷移の動的パターンをモデル化する。 学習データのアウト・オブ・ディストリビューション問題を緩和するために、完全な反ファクト体験を構築する。
  論文  参考訳（メタデータ） (2025-03-18T02:32:50Z)
• Analysis of the Memorization and Generalization Capabilities of AI Agents: Are Continual Learners Robust? [91.682459306359]
  連続学習(CL)では、AIエージェントが動的環境下で非定常データストリームから学習する。 本稿では,過去の知識を維持しつつ,動的環境への堅牢な一般化を実現するための新しいCLフレームワークを提案する。 提案フレームワークの一般化と記憶性能を理論的に解析した。
  論文  参考訳（メタデータ） (2023-09-18T21:00:01Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Optimized ensemble deep learning framework for scalable forecasting of dynamics containing extreme events [0.0]
  2つの機械学習技術は、モデルの精度、安定性、スケーラビリティを相乗的に改善し、ダイナミクスの予測において新しい応用の波を促すために共同で使用される。 フィードフォワードニューラルネットワーク、貯水池コンピューティング、長期記憶の最良の凸結合に基づくOEDLモデルは、極端な事象からなるダイナミクスの予測を前進させる上で重要な役割を果たす。
  論文  参考訳（メタデータ） (2021-06-09T10:59:41Z)
• LEADS: Learning Dynamical Systems that Generalize Across Environments [12.024388048406587]
  我々は、モデル一般化を改善するために、既知の環境間の共通点と相違点を活用する新しいフレームワークであるLEADSを提案する。 環境に依存したデータから抽出した知識を活用でき、既知の環境と新しい環境の両方の一般化を向上できることを示す。
  論文  参考訳（メタデータ） (2021-06-08T17:28:19Z)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)
• Learning to Continuously Optimize Wireless Resource In Episodically Dynamic Environment [55.91291559442884]
  この研究は、データ駆動型手法が動的環境で継続的に学習し、最適化できる方法論を開発する。 本稿では,無線システム学習のモデリングプロセスに連続学習の概念を構築することを提案する。 我々の設計は、異なるデータサンプル間で「一定の公正性を保証する」新しいmin-maxの定式化に基づいている。
  論文  参考訳（メタデータ） (2020-11-16T08:24:34Z)

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。