論文の概要: Calibrated Probabilistic Interpolation for GEDI Biomass

• arxiv url: http://arxiv.org/abs/2601.16834v1
• Date: Fri, 23 Jan 2026 15:35:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-26 14:27:27.746785
• Title: Calibrated Probabilistic Interpolation for GEDI Biomass
• Title（参考訳）: GEDIバイオマスの校正確率補間
• Authors: Robin Young, Srinivasan Keshav,
• Abstract要約: 本稿では,局所観測セット上での予測条件を明示する確率的メタラーニングフレームワークであるAttentive Neural Processs (ANPs)を紹介する。 本研究では,熱帯アマゾン林からボレアル,アルプスの5つの生態系にまたがるアプローチを検証した。 この研究は、大陸規模の地球観測のためのアンサンブル分散の、スケーラブルで理論的に厳密な代替手段を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Reliable wall-to-wall biomass mapping from NASA's GEDI mission requires interpolating sparse LiDAR observations across heterogeneous landscapes. While machine learning approaches like Random Forest and XGBoost are standard for this task, they treat spatial predictions of GEDI observations from multispectral or SAR remote sensing data as independent without adapting to the varying difficulty of heterogeneous landscapes. We demonstrate these approaches generally fail to produce calibrated prediction intervals. We identify that this stems from conflating ensemble variance with aleatoric uncertainty and ignoring local spatial context. To resolve this, we introduce Attentive Neural Processes (ANPs), a probabilistic meta-learning framework that explicitly conditions predictions on local observation sets and geospatial foundation model embeddings. Unlike static ensembles, ANPs learn a flexible spatial covariance function, allowing uncertainty estimates to expand in complex landscapes and contract in homogeneous areas. We validate this approach across five distinct biomes ranging from Tropical Amazonian forests to Boreal and Alpine ecosystems, demonstrating that ANPs achieve competitive accuracy while maintaining near-ideal uncertainty calibration. We demonstrate the operational utility of the method through few-shot adaptation, where the model recovers most of the performance gap in cross-region transfer using minimal local data. This work provides a scalable, theoretically rigorous alternative to ensemble variance for continental scale earth observation.
• Abstract（参考訳）: NASAのGEDIミッションからの信頼性の高い壁面と壁面のバイオマスマッピングでは、異質な風景を横断するスパースLiDAR観測を補間する必要がある。 ランダムフォレストやXGBoostのような機械学習アプローチはこのタスクの標準であるが、多スペクトルまたはSARリモートセンシングデータからのGEDI観測の空間的予測を異種景観の様々な困難に適応することなく独立に扱う。 これらの手法は概してキャリブレーションされた予測間隔を生成できないことを実証する。 これは,アレータリックな不確実性とアンサンブルの拡散と局所的な空間的文脈を無視することに起因する。 これを解決するために,局所観測セットと地理空間基盤モデル埋め込みの予測を明示的に条件付ける確率的メタラーニングフレームワークであるAttentive Neural Processes (ANPs)を導入する。 静的アンサンブルとは異なり、ANPはフレキシブルな空間共分散関数を学習し、不確実性推定は複雑な風景や等質領域で拡張される。 本研究では,熱帯アマゾン林からボレアル・アルペン生態系,アルペン生態系の5つの異なる生物群にまたがるアプローチを検証し,ANPがほぼ理想的不確実性キャリブレーションを維持しながら競争精度を達成できることを実証した。 本稿では,最小限の局所データを用いたクロスリージョン転送における性能ギャップの大部分をモデルが回復する,少数ショット適応による手法の実用性を実証する。 この研究は、大陸規模の地球観測のためのアンサンブル分散の、スケーラブルで理論的に厳密な代替手段を提供する。

関連論文リスト

• FedGPS: Statistical Rectification Against Data Heterogeneity in Federated Learning [103.45987800174724]
  フェデレートラーニング(FL)は、データ不均一(data heterogeneity)として知られる重要な課題に直面し、モデルの性能と収束を損なう。 統計分布と勾配情報をシームレスに統合する新しいフレームワークである textbfFedGPS を提案する。
  論文  参考訳（メタデータ） (2025-10-23T06:10:11Z)
• BATIS: Bayesian Approaches for Targeted Improvement of Species Distribution Models [15.029163153558533]
  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。
  論文  参考訳（メタデータ） (2025-10-22T16:42:46Z)
• Isolation-based Spherical Ensemble Representations for Anomaly Detection [60.989157958972356]
  不正検出、ネットワークセキュリティ、ログ監視を対象とするアプリケーションによるデータマイニングと管理において、異常検出は重要なタスクである。 既存の教師なし異常検出手法は、分散仮定の矛盾、計算の非効率性、異なる異常型を扱う難しさなど、基本的な課題に直面している。 Isolation-based Spherical Ensemble Representations (ISER) は, 局所密度特性のプロキシとしてハイパースフィアラジイを用いて, 線形時間と定数空間の複雑さを保ちながら, 既存の分離法を拡張したものである。
  論文  参考訳（メタデータ） (2025-10-15T09:00:05Z)
• An Interpretable Implicit-Based Approach for Modeling Local Spatial Effects: A Case Study of Global Gross Primary Productivity [9.352810748734157]
  地球科学では、観測されていない要因は非定常分布を示し、特徴と対象の関係が空間的不均一性を示す。 地理的機械学習タスクでは、従来の統計学習手法は空間的不均一性を捉えるのに苦労することが多い。 我々は、深層ニューラルネットワークを用いた空間差と並行して、異なる場所で共通する特徴を同時にモデル化する、新しい視点を提案する。
  論文  参考訳（メタデータ） (2025-02-10T05:44:54Z)
• Spatial Conformal Inference through Localized Quantile Regression [6.992239210938067]
  等角予測はパラメトリックな仮定に頼ることなく有効な予測間隔を提供する。 本研究では,空間データに特化して設計された共形予測法である局所空間整形予測(L SCP)を提案する。 L SCP は既存の手法に比べて非常に厳密で一貫した予測間隔で正確なカバレッジを実現する。
  論文  参考訳（メタデータ） (2024-12-02T04:15:06Z)
• HiMoE: Heterogeneity-Informed Mixture-of-Experts for Fair Spatial-Temporal Forecasting [8.055360119228606]
  我々は,一様かつ高精度な時空間予測を提供する新しいヘテロジニティ・インフォームド・ミックス・オブ・エクササイズ(HiMoE)フレームワークを提案する。 4つの実世界のデータセットの実験は、HiMoEが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2024-11-30T01:50:42Z)
• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• Prediction under Latent Subgroup Shifts with High-Dimensional Observations [30.433078066683848]
  遅延シフト適応を用いたグラフィカルモデルにおける新しい予測手法を提案する。 RPMの新規な形態は、ソース環境における因果潜伏構造を特定し、ターゲットの予測に適切に適応する。
  論文  参考訳（メタデータ） (2023-06-23T12:26:24Z)
• Decentralized Local Stochastic Extra-Gradient for Variational Inequalities [125.62877849447729]
  我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。 我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。 理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
  論文  参考訳（メタデータ） (2021-06-15T17:45:51Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)
• NestedVAE: Isolating Common Factors via Weak Supervision [45.366986365879505]
  我々は、バイアス低減の課題と、ドメイン間で共通する分離要因の関係を同定する。 共通因子を分離するために、潜伏変数モデルの理論と情報ボトルネック理論を組み合わせる。 共有重みを持つ2つの外部VAEは入力を再構成し、潜伏空間を推論し、一方、ネストされたVAEはペア化された画像の潜伏表現から1つの画像の潜伏表現を再構成しようとする。
  論文  参考訳（メタデータ） (2020-02-26T15:49:57Z)

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。