論文の概要: LabelKAN -- Kolmogorov-Arnold Networks for Inter-Label Learning: Avian Community Learning

• arxiv url: http://arxiv.org/abs/2601.18818v1
• Date: Fri, 23 Jan 2026 15:50:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:50.988507
• Title: LabelKAN -- Kolmogorov-Arnold Networks for Inter-Label Learning: Avian Community Learning
• Title（参考訳）: LabelKAN -- Kolmogorov-Arnold Networks for Inter-Label Learning: Avian Community Learning
• Authors: Marc Grimson, Joshua Fan, Courtney L. Davis, Dylan van Bramer, Daniel Fink, Carla P. Gomes,
• Abstract要約: 本稿では,Collgorov-Arnold Networks (KAN) に基づく新しいフレームワークである LabelKAN を紹介し,ラベル間の接続を各ラベルの予測から学習する。 鳥類種の分布をモデル化する際、ラベルカンは大部分の種にわたって予測性能を著しく向上させる。
• 参考スコア（独自算出の注目度）: 15.708656410014685
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Global biodiversity loss is accelerating, prompting international efforts such as the Kunming-Montreal Global Biodiversity Framework (GBF) and the United Nations Sustainable Development Goals to direct resources toward halting species declines. A key challenge in achieving this goal is having access to robust methodologies to understand where species occur and how they relate to each other within broader ecological communities. Recent deep learning-based advances in joint species distribution modeling have shown improved predictive performance, but effectively incorporating community-level learning, taking into account species-species relationships in addition to species-environment relationships, remains an outstanding challenge. We introduce LabelKAN, a novel framework based on Kolmogorov-Arnold Networks (KANs) to learn inter-label connections from predictions of each label. When modeling avian species distributions, LabelKAN achieves substantial gains in predictive performance across the vast majority of species. In particular, our method demonstrates strong improvements for rare and difficult-to-predict species, which are often the most important when setting biodiversity targets under frameworks like GBF. These performance gains also translate to more confident predictions of the species spatial patterns as well as more confident predictions of community structure. We illustrate how the LabelKAN leads to qualitative and quantitative improvements with a focused application on the Great Blue Heron, an emblematic species in freshwater ecosystems that has experienced significant population declines across the United States in recent years. Using the LabelKAN framework, we are able to identify communities and species in New York that will be most sensitive to further declines in Great Blue Heron populations.
• Abstract（参考訳）: グローバルな生物多様性の喪失は加速しており、Kunming-Montreal Global Biodiversity Framework (GBF) や国連持続可能な開発目標といった国際的取り組みが、種の減少を食い止めるための資源の直接的供給に拍車を掛けている。 この目標を達成する上で重要な課題は、より広い生態学的コミュニティの中で、種がどこで発生し、どのように相互に関係しているかを理解するために、堅牢な方法論にアクセスすることである。 近年, 共同種分布モデリングの深層学習による進歩は, 予測性能の向上を図っているが, 地域レベルの学習を効果的に取り入れており, 種-環境関係に加えて種-種関係も考慮に入れている。 本稿では,Collgorov-Arnold Networks (KAN) に基づく新しいフレームワークである LabelKAN を紹介し,ラベル間の接続を各ラベルの予測から学習する。 鳥類種の分布をモデル化する際、ラベルカンは大部分の種にわたって予測性能を著しく向上させる。 特に,本手法は,GBFなどのフレームワーク下での生物多様性目標の設定において最も重要な,希少かつ予測が難しい種に対して,強い改善効果を示す。 これらの性能向上は、種の空間パターンのより確実な予測と、コミュニティ構造のより確実な予測にも寄与する。 淡水生態系におけるエンブレマティックな種であるグレート・ブルー・ヘロン(Great Blue Heron)に焦点をあてて、ラベルカンが質的かつ定量的な改善をもたらす様子を解説する。 LabelKANフレームワークを使うことで、グレートブルーヘロン人口のさらなる減少に最も敏感な、ニューヨークのコミュニティや種を特定できます。

関連論文リスト

• Towards AI-Guided Open-World Ecological Taxonomic Classification [25.577016053193862]
  TaxoNetは、埋め込みベースのエンコーダで、二重マージン化損失があり、希少な未表現の分類からの学習信号を強化する。 本研究は, 汎用マルチモーダル基盤モデルが植物ドメインに制約を課していることを示す。
  論文  参考訳（メタデータ） (2025-12-22T03:20:05Z)
• BioCLIP 2: Emergent Properties from Scaling Hierarchical Contrastive Learning [60.80381372245902]
  生体視覚モデルでは,大規模コントラスト視覚言語学習により創発的行動が観察される。 我々は、異なる種を区別するために、TreeOfLife-200MでBioCLIP 2を訓練する。 得られたBioCLIP 2の埋め込み空間における創発的特性を同定する。
  論文  参考訳（メタデータ） (2025-05-29T17:48:20Z)
• Taxonomic Reasoning for Rare Arthropods: Combining Dense Image Captioning and RAG for Interpretable Classification [12.923336716880506]
  画像キャプションと検索拡張生成(RAG)を大規模言語モデル(LLM)と統合し,生物多様性モニタリングを強化する。 我々の発見は、生物多様性保護イニシアチブをサポートする現代のビジョン言語AIパイプラインの可能性を強調した。
  論文  参考訳（メタデータ） (2025-03-13T21:18:10Z)
• Feedforward Few-shot Species Range Estimation [61.60698161072356]
  特定の種が地球上でどこで発見できるかを知ることは、生態学の研究と保全に不可欠である。 正確な射程推定は 知られている全ての種の 比較的小さな割合でしか 利用できない 我々は、限られたデータから種の範囲を正確に推定するという課題に対処するために、数発の種範囲推定の新しいアプローチを概説する。
  論文  参考訳（メタデータ） (2025-02-20T19:13:29Z)
• Modelling Species Distributions with Deep Learning to Predict Plant Extinction Risk and Assess Climate Change Impacts [2.874893537471256]
  種別IUCNの分類法について検討した。 本手法は, フレキシブルSDM機能に依存しながら, 最先端の分類性能に適合する。 絶滅危惧種の比率は世界中で増加しており、アフリカ、アジア、南米で臨界率が高い。
  論文  参考訳（メタデータ） (2024-01-10T15:24:27Z)
• 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)
• Spatial Implicit Neural Representations for Global-Scale Species Mapping [72.92028508757281]
  ある種が観察された場所の集合を考えると、その種がどこにいても存在しないかを予測するためのモデルを構築することが目的である。 従来の手法は、新たな大規模クラウドソースデータセットを活用するのに苦労している。 本研究では,47k種の地理的範囲を同時に推定するために,空間入射ニューラル表現(SINR)を用いる。
  論文  参考訳（メタデータ） (2023-06-05T03:36:01Z)
• Bird Distribution Modelling using Remote Sensing and Citizen Science data [31.375576105932442]
  気候変動は生物多様性の喪失の主要な要因である。 種の分布には大きな知識ギャップがある。 本稿では,コンピュータビジョンを利用した種分散モデルの改良手法を提案する。
  論文  参考訳（メタデータ） (2023-05-01T20:27:11Z)

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。