論文の概要: What on Earth is AlphaEarth? Hierarchical structure and functional interpretability for global land cover

• arxiv url: http://arxiv.org/abs/2603.16911v1
• Date: Sun, 08 Mar 2026 02:40:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.376127
• Title: What on Earth is AlphaEarth? Hierarchical structure and functional interpretability for global land cover
• Title（参考訳）: アルファアースとは何か?世界の土地被覆の階層構造と機能的解釈可能性
• Authors: Ivan Felipe Benavides-Martinez, Justin Guthrie, Jhon Edwin Arias, Yeison Alberto Garces-Gomez, Angela Ines Guzman-Alvis, Cristiam Victoriano Portilla-Cabrera, Somnath Mondal, Andrew J. Allyn, Auroop R. Ganguly,
• Abstract要約: 地理空間基盤モデルは強力な予測性能を実現する埋め込みを生成するが、内部組織はいまだに不明である。 最近の解釈可能性研究は、Google AlphaEarth Foundations (GAEF) の継続的環境変数への埋め込みに関するものである。 本研究では,陸域被覆構造への貢献を特徴付けることにより,埋没次元の役割をリバースエンジニアリングする機能的解釈可能性フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.3556701963279878
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Geospatial foundation models generate high-dimensional embeddings that achieve strong predictive performance, yet their internal organization remains obscure, limiting their scientific use. Recent interpretability studies relate Google AlphaEarth Foundations (GAEF) embeddings to continuous environmental variables, but it is still unclear whether the embedding space exhibits a functional or hierarchical organization, in which some dimensions act as specialized representations while others encode shared or broader geospatial structure. In this work, we propose a functional interpretability framework that reverse-engineers the role of embedding dimensions by characterizing their contribution to land cover structure from observed classification behavior. The approach combines large-scale experimentation with a structural analysis of embedding-class relationships based on feature importance patterns and progressive ablation. Our results show that embedding dimensions exhibit consistent and non-uniform functional behavior, allowing them to be categorized along a hierarchical functional spectrum: specialist dimensions associated with specific land cover classes, low- and mid-generalist dimensions capturing shared characteristics between classes, and highgeneralist dimensions reflecting broader environmental gradients. Critically, we find that accurate land cover classification (98% of baseline performance) can be achieved using as few as 2 to 12 of the 64 available dimensions, depending on the class. This demonstrates substantial redundancy in the embedding space and offers a pathway toward significant reductions in computational cost. Together, these findings reveal that AlphaEarth embeddings are not only physically informative, but also functionally organized into a hierarchical structure, providing practical guidance for dimension selection in operational classification tasks.
• Abstract（参考訳）: 地理空間基盤モデルは強力な予測性能を達成するための高次元埋め込みを生成するが、その内部組織はあいまいであり、科学的使用を制限している。 最近の解釈可能性研究は、Google AlphaEarth Foundations (GAEF) の連続的な環境変数への埋め込みに関するものであるが、埋め込み空間が機能的または階層的な組織を示し、ある次元が特殊表現として機能し、他の次元は共有的またはより広い地理空間構造をコードしているかどうかは不明である。 本研究では,観測された分類行動から土地被覆構造への寄与を特徴付けることにより,埋没次元の役割をリバースエンジニアリングする機能的解釈可能性フレームワークを提案する。 このアプローチは、大規模実験と、特徴重要パターンとプログレッシブアブレーションに基づく埋め込みクラス関係の構造解析を組み合わせる。 本研究は, 埋没次元が一貫した, 非均一な機能挙動を示し, 階層的機能スペクトルに沿って分類できることを示し, 特定の土地被覆クラスに関連する専門的次元, クラス間の共有特性を捉える低および中・一般的次元, より広い環境勾配を反映した高一般的次元について検討した。 重要な点として,64次元のうち2～12次元を基準として,正確な土地被覆分類(ベースライン性能の98%)が可能であることが挙げられる。 これは埋め込み空間におけるかなりの冗長性を示し、計算コストの大幅な削減への道筋を提供する。 これらの結果から,AlphaEarthの埋め込みは物理的に有意なだけでなく,階層構造に組織化され,操作分類作業における次元選択の実践的ガイダンスが得られた。

関連論文リスト

• From Topology to Retrieval: Decoding Embedding Spaces with Unified Signatures [38.75080027435365]
  本稿では,テキスト埋め込みモデルとデータセットの幅広い集合にわたる位相的および幾何学的測度を包括的に分析する。 埋め込み空間を特徴付けるための総合的なフレームワークである統一トポロジカルシグナチャ (UTS) を導入する。
  論文  参考訳（メタデータ） (2025-11-27T06:37:45Z)
• Explainable Mapper: Charting LLM Embedding Spaces Using Perturbation-Based Explanation and Verification Agents [11.168089496463125]
  大規模言語モデル(LLM)は、単語、文、概念間のリッチな意味的および構文的関係をキャプチャする高次元埋め込みを生成する。 これらの埋め込み特性の半自動アノテーションのためのフレームワークを導入する。
  論文  参考訳（メタデータ） (2025-07-24T17:43:40Z)
• Learning and Evaluating Hierarchical Feature Representations [3.770103075126785]
  我々は、直交部分空間の階層的構成(Hier-COS)という新しい枠組みを提案する。 Hier-COSは、与えられた分類木の構造と整合した設計により、深い特徴埋め込みをベクトル空間にマッピングすることを学ぶ。 Hier-COSはすべてのデータセットにまたがって最先端の階層的パフォーマンスを実現し,同時に1つのケースを除いてトップ1の精度を上回ります。
  論文  参考訳（メタデータ） (2025-03-10T20:59:41Z)
• SpaRC and SpaRP: Spatial Reasoning Characterization and Path Generation for Understanding Spatial Reasoning Capability of Large Language Models [70.01883340129204]
  空間推論は 生物学的と人工知能の両方において 重要な要素です 本稿では,現在最先端の大規模言語モデル (LLM) の空間的推論能力について包括的に検討する。
  論文  参考訳（メタデータ） (2024-06-07T01:06:34Z)
• Structure-Aware Feature Generation for Zero-Shot Learning [108.76968151682621]
  潜在空間と生成ネットワークの両方を学習する際の位相構造を考慮し,SA-GANと呼ばれる新しい構造認識特徴生成手法を提案する。 本手法は,未確認クラスの一般化能力を大幅に向上させ,分類性能を向上させる。
  論文  参考訳（メタデータ） (2021-08-16T11:52:08Z)
• HUMAP: Hierarchical Uniform Manifold Approximation and Projection [40.77787659104315]
  HUMAPは、局所的・大域的構造の保存に柔軟であるように設計された、新しい階層的次元削減技術である。 提案手法の優位性を示す実証的証拠を現在の階層的アプローチと比較し,データセットラベリングにHUMAPを適用したケーススタディを示す。
  論文  参考訳（メタデータ） (2021-06-14T19:27:54Z)
• Unveiling the Potential of Structure-Preserving for Weakly Supervised Object Localization [71.79436685992128]
  本稿では,WSOLの畳み込み機能に組み込まれた構造情報を完全に活用するための2段階構造保存アクティベーション(SPA)を提案する。 第1段階では、分類ネットワークによって引き起こされる構造ミス問題を軽減するために制限アクティベーションモジュール(ram)が設計されている。 第2段階では, 自己相関マップ生成(SCG)モジュールと呼ばれるプロセス後アプローチを提案し, 構造保存ローカライゼーションマップを得る。
  論文  参考訳（メタデータ） (2021-03-08T03:04:14Z)
• Generalized Clustering and Multi-Manifold Learning with Geometric Structure Preservation [47.65743823937763]
  一般化データのための幾何構造を保存した新しい汎用クラスタリング・マルチマニフォールド学習(GCML)フレームワークを提案する。 提案フレームワークでは,クラスタリング損失によって導かれる潜在空間において,多様体クラスタリングを行う。 クラスタリング指向の損失が潜伏空間の幾何学的構造を悪化させるという問題を克服するため, 局所的に多様体内構造を保存するための等尺的損失と, グローバルな多様体間構造のランキング損失が提案されている。
  論文  参考訳（メタデータ） (2020-09-21T03:04:57Z)

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。