論文の概要: Measuring the Intrinsic Dimension of Earth Representations

• arxiv url: http://arxiv.org/abs/2511.02101v1
• Date: Mon, 03 Nov 2025 22:22:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.697347
• Title: Measuring the Intrinsic Dimension of Earth Representations
• Title（参考訳）: 地球表象の内在次元の測定
• Authors: Arjun Rao, Marc Rußwurm, Konstantin Klemmer, Esther Rolf,
• Abstract要約: 地理的暗黙的ニューラル表現(INR)の内在的次元性について検討する。 内在次元は2～10程度で,INR事前学習時の空間分解能や入力モードの変化に敏感であることがわかった。 我々の研究は、教師なし評価、モデル選択、事前学習設計を可能にする、アーキテクチャに依存しない、ラベルなしの情報内容のメトリクスを提供する。
• 参考スコア（独自算出の注目度）: 11.11435356681796
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Within the context of representation learning for Earth observation, geographic Implicit Neural Representations (INRs) embed low-dimensional location inputs (longitude, latitude) into high-dimensional embeddings, through models trained on geo-referenced satellite, image or text data. Despite the common aim of geographic INRs to distill Earth's data into compact, learning-friendly representations, we lack an understanding of how much information is contained in these Earth representations, and where that information is concentrated. The intrinsic dimension of a dataset measures the number of degrees of freedom required to capture its local variability, regardless of the ambient high-dimensional space in which it is embedded. This work provides the first study of the intrinsic dimensionality of geographic INRs. Analyzing INRs with ambient dimension between 256 and 512, we find that their intrinsic dimensions fall roughly between 2 and 10 and are sensitive to changing spatial resolution and input modalities during INR pre-training. Furthermore, we show that the intrinsic dimension of a geographic INR correlates with downstream task performance and can capture spatial artifacts, facilitating model evaluation and diagnostics. More broadly, our work offers an architecture-agnostic, label-free metric of information content that can enable unsupervised evaluation, model selection, and pre-training design across INRs.
• Abstract（参考訳）: 地球観測のための表現学習の文脈内では、地理インプリシットニューラルネットワーク(英語版) (INR) は、地理参照衛星、画像またはテキストデータに基づいて訓練されたモデルを通して、低次元の位置入力 (経度、緯度) を高次元の埋め込みに埋め込む。 地理的INRが地球のデータをコンパクトで学習しやすい表現に抽出するという共通の目的にもかかわらず、我々はこれらの地球表現にどの程度の情報が含まれているか、そしてその情報がどこに集中しているかを理解していない。 データセットの本質的な次元は、それが埋め込まれた周囲の高次元空間に関係なく、その局所的な変動を捉えるのに必要な自由度を計測する。 この研究は、地理的 INR の本質的な次元に関する最初の研究を提供する。 256から512の周囲次元を持つINRを解析したところ、内在次元は2から10にほぼずれており、INR事前学習時の空間分解能や入力モードの変化に敏感であることが判明した。 さらに、地理的INRの本質的な次元は、下流のタスク性能と相関し、空間的アーティファクトをキャプチャし、モデル評価と診断を容易にすることを示す。 より広範に、我々の研究は、教師なし評価、モデル選択、INR間の事前学習設計を可能にする、アーキテクチャに依存しない、ラベルなしの情報内容のメトリクスを提供する。

関連論文リスト

• Performance and Generalizability Impacts of Incorporating Location Encoders into Deep Learning for Dynamic PM2.5 Estimation [0.39762912548964846]
  動的・空間的不均一な応用のための深層学習における位置情報の効果について検討する。 日表面PM2.5を衛星観測と地上観測により推定した。 以上の結果から,空間一般化の支援により,原座標は領域内の性能を向上させることができるが,領域間の一般化性は低下することが示された。
  論文  参考訳（メタデータ） (2025-05-24T02:00:34Z)
• Follow the Energy, Find the Path: Riemannian Metrics from Energy-Based Models [63.331590876872944]
  本稿では,事前学習したエネルギーベースモデルから直接リーマン計量を導出する手法を提案する。 これらの測度は空間的に異なる距離を定義し、測地学の計算を可能にする。 EBM由来のメトリクスは、確立されたベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2025-05-23T12:18:08Z)
• OmniGeo: Towards a Multimodal Large Language Models for Geospatial Artificial Intelligence [51.0456395687016]
  マルチモーダル大言語モデル(LLM)が人工知能の新しいフロンティアをオープンした。 地理空間応用に適したMLLM(OmniGeo)を提案する。 自然言語理解の長所と空間的推論の長所を組み合わせることで,GeoAIシステムの指示追従能力と精度を高めることができる。
  論文  参考訳（メタデータ） (2025-03-20T16:45:48Z)
• Enhancing Worldwide Image Geolocation by Ensembling Satellite-Based Ground-Level Attribute Predictors [4.415977307120618]
  本稿では,GPSなどの位置情報が存在しない場合の地上画像の位置を推定することの課題について検討する。 本稿では,推定位置分布の精度を計測する新しい指標であるリコール対エリア(Recall vs Area)を紹介する。 次に,複数の情報源からの情報を組み込んだグローバルな画像位置決め手法について検討する。
  論文  参考訳（メタデータ） (2024-07-18T19:15:52Z)
• Localised Adaptive Spatial-Temporal Graph Neural Network [17.707594255626216]
  Adaptive Graph Sparsification (AGS) は、ASTGNNの局所化を極端に実現するグラフスカラー化アルゴリズムである。 ASTGNNの空間グラフは、テスト精度を低下させることなく99.5%以上のスペーサー化することができる。 ASTGNNの局所化は、大規模な時空間データに必要とされる重いオーバーヘッドを減らす可能性を秘めている。
  論文  参考訳（メタデータ） (2023-06-12T08:08:53Z)
• GeoGLUE: A GeoGraphic Language Understanding Evaluation Benchmark [56.08664336835741]
  我々はGeoGLUEと呼ばれるGeoGraphic Language Understanding Evaluationベンチマークを提案する。 オープンソースの地理資源からデータを収集し、6つの自然言語理解タスクを導入する。 我々は,GeoGLUEベンチマークの有効性と意義を示す一般ベースラインの評価実験と解析を行った。
  論文  参考訳（メタデータ） (2023-05-11T03:21:56Z)
• 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)
• Incorporating Texture Information into Dimensionality Reduction for High-Dimensional Images [65.74185962364211]
  距離ベース次元削減手法に周辺情報を組み込む手法を提案する。 画像パッチを比較する異なる手法の分類に基づいて,様々なアプローチを探索する。
  論文  参考訳（メタデータ） (2022-02-18T13:17:43Z)
• Each Part Matters: Local Patterns Facilitate Cross-view Geo-localization [54.00111565818903]
  クロスビューなジオローカライゼーションは、異なるプラットフォームから同じ地理的ターゲットの画像を見つけることである。 既存の手法は通常、画像センター内の地理的ターゲットの微細な特徴をマイニングすることに集中している。 我々は、文脈情報を活用するために、ローカルパターンネットワーク(LPN)と呼ばれるシンプルで効果的なディープニューラルネットワークを導入する。
  論文  参考訳（メタデータ） (2020-08-26T16:06:11Z)

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。