論文の概要: SHRUG-FM: Reliability-Aware Foundation Models for Earth Observation
- arxiv url: http://arxiv.org/abs/2511.10370v1
- Date: Fri, 14 Nov 2025 01:47:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-14 22:53:22.829826
- Title: SHRUG-FM: Reliability-Aware Foundation Models for Earth Observation
- Title（参考訳）: SHRUG-FM:地球観測のための信頼性を考慮した基礎モデル
- Authors: Kai-Hendrik Cohrs, Zuzanna Osika, Maria Gonzalez-Calabuig, Vishal Nedungadi, Ruben Cartuyvels, Steffen Knoblauch, Joppe Massant, Shruti Nath, Patrick Ebel, Vasileios Sitokonstantinou,
- Abstract要約: 地球観測のための地球空間基盤モデルは、事前訓練中に過小評価されている環境では確実に機能しないことが多い。
SHRUG-FMは3つの相補的な信号を統合する信頼性を考慮した予測フレームワークである。
我々は,OODスコアが特定の環境条件下での低い性能と相関していることを示し,不確実性に基づくフラグは,多くの性能の悪い予測を捨てる助けとなることを示した。
- 参考スコア（独自算出の注目度）: 2.6526177459233446
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Geospatial foundation models for Earth observation often fail to perform reliably in environments underrepresented during pretraining. We introduce SHRUG-FM, a framework for reliability-aware prediction that integrates three complementary signals: out-of-distribution (OOD) detection in the input space, OOD detection in the embedding space and task-specific predictive uncertainty. Applied to burn scar segmentation, SHRUG-FM shows that OOD scores correlate with lower performance in specific environmental conditions, while uncertainty-based flags help discard many poorly performing predictions. Linking these flags to land cover attributes from HydroATLAS shows that failures are not random but concentrated in certain geographies, such as low-elevation zones and large river areas, likely due to underrepresentation in pretraining data. SHRUG-FM provides a pathway toward safer and more interpretable deployment of GFMs in climate-sensitive applications, helping bridge the gap between benchmark performance and real-world reliability.
- Abstract（参考訳）: 地球観測のための地球空間基盤モデルは、事前訓練中に過小評価されている環境では確実に機能しないことが多い。
SHRUG-FMは,入力空間におけるアウト・オブ・ディストリビューション(OOD)検出,埋め込み空間におけるOOD検出,タスク固有の予測の不確実性という,3つの補完的な信号を統合する信頼性を考慮した予測フレームワークである。
SHRUG-FMは傷跡のセグメンテーションに応用し、OODスコアが特定の環境条件における低い性能と相関していることを示し、不確実性に基づくフラグは、多くの性能の悪い予測を捨てる助けとなる。
これらの旗をHydroATLASの土地被覆属性にリンクすると、障害はランダムではなく、低標高帯や大河川地帯など特定の地形に集中していることが示される。
SHRUG-FMは、気候に敏感なアプリケーションにGFMを安全に、より解釈可能な配置するための経路を提供し、ベンチマークパフォーマンスと現実世界の信頼性のギャップを埋めるのに役立つ。
関連論文リスト
- Synergistic Neural Forecasting of Air Pollution with Stochastic Sampling [50.3911487821783]
大気汚染は世界的な健康と環境のリスクの先駆けであり、特に山火事、都市干ばつ、塵嵐による大気汚染の急激な増加に弱い地域ではなおもである。
本稿では,気象および大気組成データを統合し,平均および極端汚染レベルの予測を改善する高分解能神経予測モデルであるSynCastを提案する。
論文 参考訳（メタデータ） (2025-10-28T01:18:00Z) - Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
現実の時系列では欠落値が一般的である。
現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。
このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。
本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
論文 参考訳（メタデータ） (2025-09-27T20:57:48Z) - Confidence-Filtered Relevance (CFR): An Interpretable and Uncertainty-Aware Machine Learning Framework for Naturalness Assessment in Satellite Imagery [3.846084066763095]
Confidence-Filtered Relevance (CFR)は、LRP注意ロールアウトとDeep Deterministic Uncertainty Estimationを組み合わせた、データ中心のフレームワークである。
CFRは、データセットを不確実性しきい値に基づいてサブセットに分割し、衛星画像の自然性の説明がどのように不確実性を形成するかの体系的な分析を可能にする。
不確実性が増すにつれて、関連熱マップの解釈可能性は低下し、エントロピーは増加し、より選択的であいまいな属性は減少する。
論文 参考訳（メタデータ） (2025-07-17T12:06:08Z) - Reservoir-enhanced Segment Anything Model for Subsurface Diagnosis [24.223897705640105]
都市部の道路やインフラは、市の運営に欠かせないものであり、ひび割れやキャビティのような地下の異常から増大する脅威に直面している。
地中貫入レーダ(GPR)は、電磁波(EM)を用いた地下条件を効果的に可視化する。
しかし、GPRによる正確な異常検出は、限られたラベル付きデータ、異なる地下条件、不特定ターゲット境界により、依然として困難である。
本稿では,GPRデータの視覚的識別性と波動変化特性を両立させるため,Reservoir-enhanced Segment Anything Model (Res-SAM)を提案する。
論文 参考訳（メタデータ） (2025-04-26T05:13:22Z) - FOCUS on Contamination: A Geospatial Deep Learning Framework with a Noise-Aware Loss for Surface Water PFAS Prediction [3.499081366421979]
PFAS(per- and polyfluoroalkyl substances, PFAS)は、非スティック調理器具などの製品に含まれる化学物質で、健康リスクの高い環境汚染物質である。
本研究では,大規模水域におけるPFAS汚染を予測するため,ラベル付きノイズ認識損失関数を持つ深層学習フレームワークFOCUSを紹介する。
論文 参考訳（メタデータ） (2025-02-17T16:57:10Z) - Adaptive Residual Transformation for Enhanced Feature-Based OOD Detection in SAR Imagery [5.63530048112308]
実際の戦場シナリオにおける未知の標的の存在は避けられない。
この問題に対処するために、様々な機能ベースのアウト・オブ・ディストリビューションアプローチが開発されている。
我々は,特徴量に基づくOOD検出をクラス局所化された特徴量に基づくアプローチに変換することを提案する。
論文 参考訳（メタデータ） (2024-11-01T00:09:02Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳（メタデータ） (2023-02-06T16:38:43Z) - Free Lunch for Generating Effective Outlier Supervision [46.37464572099351]
本稿では, ほぼ現実的な外乱監視を実現するための超効率的な手法を提案する。
提案したtextttBayesAug は,従来の方式に比べて偽陽性率を 12.50% 以上削減する。
論文 参考訳（メタデータ） (2023-01-17T01:46:45Z) - Certified Adversarial Defenses Meet Out-of-Distribution Corruptions:
Benchmarking Robustness and Simple Baselines [65.0803400763215]
この研究は、最先端のロバストモデルがアウト・オブ・ディストリビューションデータに遭遇した場合、敵のロバスト性がどのように変化を保証しているかを批判的に検証する。
本稿では,トレーニングデータのスペクトルカバレッジを改善するために,新たなデータ拡張方式であるFourierMixを提案する。
また,FourierMixの拡張により,様々なOODベンチマークにおいて,より優れたロバスト性保証を実現することが可能となる。
論文 参考訳（メタデータ） (2021-12-01T17:11:22Z)
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。