論文の概要: OT on the Map: Quantifying Domain Shifts in Geographic Space

• arxiv url: http://arxiv.org/abs/2604.16220v1
• Date: Fri, 17 Apr 2026 16:33:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:20.007436
• Title: OT on the Map: Quantifying Domain Shifts in Geographic Space
• Title（参考訳）: 地図上のOT:地理空間における領域シフトの定量化
• Authors: Haoran Zhang, Livia Betti, Konstantin Klemmer, Esther Rolf, David Alvarez-Melis,
• Abstract要約: 領域外一般化は、地理的データに対する機械学習において、広範囲にわたる課題である。 地理空間領域間の距離を計算するための戦略を提案する。 我々は,GeoSpOT距離が事前にデータ選択を誘導し,予測ツールを用いて,モデルが過小評価される可能性のある領域を解析可能であることを示す。
• 参考スコア（独自算出の注目度）: 15.457543295366973
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In computer vision and machine learning for geographic data, out-of-domain generalization is a pervasive challenge, arising from uneven global data coverage and distribution shifts across geographic regions. Though models are frequently trained in one region and deployed in another, there is no principled method for determining when this cross-region adaptation will be successful. A well-defined notion of distance between distributions can effectively quantify how different a new target domain is compared to the domains used for model training, which in turn could support model training and deployment decisions. In this paper, we propose a strategy for computing distances between geospatial domains that leverages geographic information with Optimal Transport methods (GeoSpOT). In our experiments, GeoSpOT distances emerge as effective predictors of cross-domain transfer difficulty. We further demonstrate that embeddings from pretrained location encoders provide information comparable to image/text embeddings, despite relying solely on longitude-latitude pairs as input. This allows users to get an approximation of out-of-domain performance for geospatial models, even when the exact downstream task is unknown, or no task-specific data is available. Building on these findings, we show that GeoSpOT distances can preemptively guide data selection and enable predictive tools to analyze regions where a model is likely to underperform.
• Abstract（参考訳）: 地理的データに対するコンピュータビジョンと機械学習において、領域外一般化は、地理的領域にまたがる不均一なグローバルなデータカバレッジと分散シフトから生じる広範にわたる課題である。 モデルは、ある領域で頻繁に訓練され、別の領域にデプロイされるが、この領域間の適応がいつ成功するかを決定するための原則的な方法はない。 分散間の距離に関する明確に定義された概念は、モデルトレーニングで使用されるドメインと新しいターゲットドメインの違いを効果的に定量化することができる。 本稿では,GeoSpOT (Optimal Transport Method) を用いた地理情報を利用した地理空間領域間距離計算手法を提案する。 我々の実験では、GeoSpOT距離はドメイン間移動困難の効果的な予測因子として現れる。 さらに、事前学習した位置エンコーダからの埋め込みは、入力として経度-緯度ペアのみに依存するにもかかわらず、画像/テキスト埋め込みに匹敵する情報を提供することを示した。 これにより、正確な下流タスクが不明であったり、タスク固有のデータが入手できない場合でも、地理空間モデルのドメイン外でのパフォーマンスを近似することができる。 これらの結果に基づいて、GeoSpOT距離は、事前にデータ選択を誘導し、予測ツールにより、モデルが過小評価される可能性のある領域を解析できることを示す。

関連論文リスト

• GeoAgent: Learning to Geolocate Everywhere with Reinforced Geographic Characteristics [91.17301794848025]
  本稿では,人間と密に推論し,詳細なアドレス結論を導出できるGeoAgentについて述べる。 従来のRLベースの手法は、パフォーマンスと解釈可能性においてブレークスルーを達成したが、AI生成のチェーン・オブ・プリート(CoT)データとトレーニング戦略に依存しているため、依然として懸念が残っている。
  論文  参考訳（メタデータ） (2026-02-13T04:48:05Z)
• Performance and Generalizability Impacts of Incorporating Location Encoders into Deep Learning for Dynamic PM2.5 Estimation [0.39762912548964846]
  動的・空間的不均一な応用のための深層学習における位置情報の効果について検討する。 日表面PM2.5を衛星観測と地上観測により推定した。 以上の結果から,空間一般化の支援により,原座標は領域内の性能を向上させることができるが,領域間の一般化性は低下することが示された。
  論文  参考訳（メタデータ） (2025-05-24T02:00:34Z)
• SegDesicNet: Lightweight Semantic Segmentation in Remote Sensing with Geo-Coordinate Embeddings for Domain Adaptation [0.5461938536945723]
  リモートセマンティックセマンティックセグメンテーションのための新しい教師なしドメイン適応手法を提案する。 提案するSegDesicNetモジュールは、単位球上に投影された座標のGRID位置符号化を遅らせ、ドメイン損失を得る。 我々のアルゴリズムは,人工ニューラルネットワークと物理世界の人間の理解とのモデリング格差を減らそうとしている。
  論文  参考訳（メタデータ） (2025-03-11T11:01:18Z)
• Robustness to Geographic Distribution Shift Using Location Encoders [0.0]
  地理分布の変化は、トレーニングデータセットにおける地球上の位置の分布がテスト時に見られるものと異なるときに起こる。 本稿では,連続的な学習可能なドメイン割り当てをモデル化するための位置エンコーダを提案する。 非パラメトリックな正弦コサインエンコーダと事前訓練された位置エンコーダの両方が、地理的分布シフトに対するロバスト性を改善するための標準領域適応手法と併用可能であることを示す。
  論文  参考訳（メタデータ） (2025-03-03T20:24:07Z)
• Geolocation with Real Human Gameplay Data: A Large-Scale Dataset and Human-Like Reasoning Framework [59.42946541163632]
  3つの重要なコンポーネントを持つ包括的位置決めフレームワークを導入する。 大規模データセットGeoComp、新しい推論手法GeoCoT、評価指標GeoEval。 また,GeoCoTは解釈可能性を高めつつ,位置情報の精度を最大25%向上させることを示した。
  論文  参考訳（メタデータ） (2025-02-19T14:21:25Z)
• Enhancing Worldwide Image Geolocation by Ensembling Satellite-Based Ground-Level Attribute Predictors [4.415977307120618]
  本稿では,GPSなどの位置情報が存在しない場合の地上画像の位置を推定することの課題について検討する。 本稿では,推定位置分布の精度を計測する新しい指標であるリコール対エリア(Recall vs Area)を紹介する。 次に,複数の情報源からの情報を組み込んだグローバルな画像位置決め手法について検討する。
  論文  参考訳（メタデータ） (2024-07-18T19:15:52Z)
• Geo-Encoder: A Chunk-Argument Bi-Encoder Framework for Chinese Geographic Re-Ranking [61.60169764507917]
  中国の地理的再ランクタスクは、検索された候補者の中で最も関連性の高い住所を見つけることを目的としている。 そこで我々は,中国語の地理的意味論をより効果的に統合する,革新的なフレームワークであるGeo-Encoderを提案する。
  論文  参考訳（メタデータ） (2023-09-04T13:44:50Z)
• GeoNet: Benchmarking Unsupervised Adaptation across Geographies [71.23141626803287]
  地理的ロバスト性の問題について検討し、3つの主要な貢献を行う。 まず,地理的適応のための大規模データセットGeoNetを紹介する。 第2に、シーンコンテキストにおける大きな変化から、ドメインシフトの主な原因が生じるという仮説を立てる。 第3に、最先端の教師なしドメイン適応アルゴリズムとアーキテクチャを広範囲に評価する。
  論文  参考訳（メタデータ） (2023-03-27T17:59:34Z)
• Spatial Attention Pyramid Network for Unsupervised Domain Adaptation [66.75008386980869]
  教師なし領域適応は様々なコンピュータビジョンタスクにおいて重要である。 教師なし領域適応のための新しい空間注意ピラミッドネットワークを設計する。 我々の手法は最先端の手法に対して大きなマージンで好適に機能する。
  論文  参考訳（メタデータ） (2020-03-29T09:03:23Z)

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。