論文の概要: How to Optimize Multispecies Set Predictions in Presence-Absence Modeling ?

• arxiv url: http://arxiv.org/abs/2602.11771v1
• Date: Thu, 12 Feb 2026 09:52:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.755217
• Title: How to Optimize Multispecies Set Predictions in Presence-Absence Modeling ?
• Title（参考訳）: 存在環境モデリングにおける複数種セット予測の最適化法
• Authors: Sébastien Gigot--Léandri, Gaétan Morand, Alexis Joly, François Munoz, David Mouillot, Christophe Botella, Maximilien Servajean,
• Abstract要約: 種分布モデル(SDM)は一般に確率的発生予測を生成する。 MaxExpは、最も確率の高い種群を選別する決定駆動二項化フレームワークである。 また,SSE(Set Size expectation)法も導入した。これは,期待される種多様性に基づいてアセンブリを予測する,計算効率のよい代替手段である。
• 参考スコア（独自算出の注目度）: 3.09658634759092
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Species distribution models (SDMs) commonly produce probabilistic occurrence predictions that must be converted into binary presence-absence maps for ecological inference and conservation planning. However, this binarization step is typically heuristic and can substantially distort estimates of species prevalence and community composition. We present MaxExp, a decision-driven binarization framework that selects the most probable species assemblage by directly maximizing a chosen evaluation metric. MaxExp requires no calibration data and is flexible across several scores. We also introduce the Set Size Expectation (SSE) method, a computationally efficient alternative that predicts assemblages based on expected species richness. Using three case studies spanning diverse taxa, species counts, and performance metrics, we show that MaxExp consistently matches or surpasses widely used thresholding and calibration methods, especially under strong class imbalance and high rarity. SSE offers a simpler yet competitive option. Together, these methods provide robust, reproducible tools for multispecies SDM binarization.
• Abstract（参考訳）: 種分布モデル (SDM) は、生態学的推測と保全計画のために二元的存在環境マップに変換する必要がある確率的発生予測を一般的に生成する。 しかし、この二項化段階は典型的にはヒューリスティックであり、種頻度と群集構成の見積もりを実質的に歪曲することができる。 選択された評価基準を直接最大化することにより、最も確率の高い種群を選別する決定駆動二項化フレームワークであるMaxExpを提示する。 MaxExpはキャリブレーションデータを必要としない。 また,SSE(Set Size expectation)法も導入した。これは,期待される種多様性に基づいてアセンブリを予測する,計算効率のよい代替手段である。 多様な分類, 種数, 性能指標にまたがる3つのケーススタディを用いて, MaxExpは、特に強いクラス不均衡と高い希少性の下で、広く使用されているしきい値とキャリブレーション法を一貫して一致または超えることを示した。 SSEはシンプルだが競争力のある選択肢を提供する。 これらの手法は多種SDMバイナライゼーションのための堅牢で再現可能なツールを提供する。

関連論文リスト

• Fast Model Selection and Stable Optimization for Softmax-Gated Multinomial-Logistic Mixture of Experts Models [40.216463162163976]
  我々は,ソフトマックスゲート型マルチミリ波観測用MoEのバッチ最小化最適化アルゴリズムを開発した。 また,条件密度推定とパラメータ回復のための有限サンプル率も証明した。 生物学的タンパク質-タンパク質相互作用予測実験は、完全なパイプラインを検証する。
  論文  参考訳（メタデータ） (2026-02-08T14:45:41Z)
• Dendrograms of Mixing Measures for Softmax-Gated Gaussian Mixture of Experts: Consistency without Model Sweeps [41.371172458797524]
  ゲーティングパラメータの共通翻訳、固有のゲート-エキスパート相互作用、およびタイトな数値-デノミネータ結合までの不特定性に対処する。 モデル選択には, 最適なパラメータ率を得る専門家の数を一貫したスイープフリーセレクタとして, デンドログラム誘導SGMoEを適応させる。 干ばつを識別できるトウモロコシの形質のデータセット上で、私たちのデンドログラム誘導SGMoEは2人の専門家を選別し、明確な混合階層を公開し、確率を早期に安定化し、解釈可能な遺伝子型フェノタイプマップを生成する。
  論文  参考訳（メタデータ） (2025-10-14T17:23:44Z)
• 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)
• Adaptive Sampled Softmax with Inverted Multi-Index: Methods, Theory and Applications [79.53938312089308]
  MIDX-Samplerは、逆多重インデックスアプローチに基づく新しい適応型サンプリング戦略である。 本手法は, サンプリングバイアス, 勾配バイアス, 収束速度, 一般化誤差境界などの重要な問題に対処するため, 厳密な理論的解析によって裏付けられている。
  論文  参考訳（メタデータ） (2025-01-15T04:09:21Z)
• Applying the maximum entropy principle to neural networks enhances multi-species distribution models [5.6578808468308335]
  我々は、ニューラルネットワークを利用して種間の共有機能を自動的に学習するDeepMaxentを提案する。 我々は、その空間的サンプリングバイアスで知られるベンチマークデータセットでDeepMaxentを評価する。 以上の結果から,DeepMaxentはすべての地域やグループでMaxentよりも優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-12-26T13:47:04Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Variational Classification [51.2541371924591]
  我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。 軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。 我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
  論文  参考訳（メタデータ） (2023-05-17T17:47:19Z)
• Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic Regression [51.770998056563094]
  PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。 既存の最先端手法と比較してPGBMの利点を実証的に示す。
  論文  参考訳（メタデータ） (2021-06-03T08:32:13Z)

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。