論文の概要: BATIS: Bayesian Approaches for Targeted Improvement of Species Distribution Models

• arxiv url: http://arxiv.org/abs/2510.19749v1
• Date: Wed, 22 Oct 2025 16:42:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:16.14286
• Title: BATIS: Bayesian Approaches for Targeted Improvement of Species Distribution Models
• Title（参考訳）: BATIS:種分布モデルの改良を目的としたベイズ的アプローチ
• Authors: Catherine Villeneuve, Benjamin Akera, Mélisande Teng, David Rolnick,
• Abstract要約: 種分布モデル(SDM)は,環境変数に基づいて種の発生を予測することを目的としている。 SDMの最近の深層学習の進歩は、複雑で不均一なデータセットでうまく機能することが示されている。 本稿では,限られた観測データを用いて事前予測を反復的に更新する,新規で実用的なフレームワークであるBATISを紹介する。
• 参考スコア（独自算出の注目度）: 15.029163153558533
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Species distribution models (SDMs), which aim to predict species occurrence based on environmental variables, are widely used to monitor and respond to biodiversity change. Recent deep learning advances for SDMs have been shown to perform well on complex and heterogeneous datasets, but their effectiveness remains limited by spatial biases in the data. In this paper, we revisit deep SDMs from a Bayesian perspective and introduce BATIS, a novel and practical framework wherein prior predictions are updated iteratively using limited observational data. Models must appropriately capture both aleatoric and epistemic uncertainty to effectively combine fine-grained local insights with broader ecological patterns. We benchmark an extensive set of uncertainty quantification approaches on a novel dataset including citizen science observations from the eBird platform. Our empirical study shows how Bayesian deep learning approaches can greatly improve the reliability of SDMs in data-scarce locations, which can contribute to ecological understanding and conservation efforts.
• Abstract（参考訳）: 環境変数に基づく種発生の予測を目的とした種分布モデル (SDM) は, 生物多様性の変化を監視し, 応答するために広く用いられている。 SDMの最近の深層学習の進歩は、複雑で不均一なデータセットでうまく機能することが示されているが、その効果はデータの空間バイアスによって制限されている。 本稿では,ベイズ的な視点から深部SDMを再考し,限られた観測データを用いて事前予測を反復的に更新する,新しい実践的枠組みであるBATISを紹介する。 モデルは、微細な局所的な洞察とより広い生態学的パターンを効果的に組み合わせるために、動脈とてんかんの不確実性の両方を適切に捉える必要がある。 我々は,eBirdプラットフォームからの市民科学観測を含む,新しいデータセットに対する不確実性定量化手法の広範なセットをベンチマークする。 ベイズ的な深層学習アプローチは,データスカースにおけるSDMの信頼性を大幅に向上させ,生態学的理解と保全に寄与することを示す。

関連論文リスト

• FrogDeepSDM: Improving Frog Counting and Occurrence Prediction Using Multimodal Data and Pseudo-Absence Imputation [0.9537146822132906]
  種分布モデル (SDM) は、広範囲にわたる種の存在を予測するのに役立つ。 本研究では,深層学習とデータ計算技術を適用して,カエル(Anura)のSDM精度を向上させる。 実験の結果、データバランスはモデル性能を大幅に改善し、カエルカウントタスクにおいて平均絶対誤差(MAE)が189から29に削減された。
  論文  参考訳（メタデータ） (2025-10-22T07:09:36Z)
• Multi-scale species richness estimation with deep learning [0.0]
  我々はサンプリング理論と深層学習を組み合わせて、任意に大きなサンプリング領域内の局所的な種多様性を予測する。 我々の深部SARモデルが、鍵となる生物多様性プロセスのマルチスケール効果に関する基礎的な洞察をいかに得るかを示す。
  論文  参考訳（メタデータ） (2025-07-08T19:42:33Z)
• Predicting butterfly species presence from satellite imagery using soft contrastive regularisation [1.0923877073891446]
  本稿では,英国における衛星データから蝶種の存在を予測するための新しいデータセットを提案する。 4バンド衛星画像から多種多様な存在を予測するために,Resnetベースのモデルを実験的に最適化した。 確率ラベルに合わせたソフトで教師付きコントラスト正規化損失を発生させる。
  論文  参考訳（メタデータ） (2025-05-14T11:42:09Z)
• MaskSDM with Shapley values to improve flexibility, robustness, and explainability in species distribution modeling [3.428447509258587]
  種分布モデル(SDM)は生物多様性の研究、保全計画、生態ニッチモデリングにおいて重要な役割を担っている。 マスク付きトレーニング戦略を用いてフレキシブルな予測器選択を可能にする,新しいディープラーニングベースのSDMであるMaskSDMを紹介する。 我々はグローバルなsPlotOpenデータセット上でMaskSDMを評価し,12,738種の分布をモデル化した。
  論文  参考訳（メタデータ） (2025-03-17T11:02:28Z)
• 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)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• 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)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)

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。