論文の概要: Implicit neural representations as a coordinate-based framework for continuous environmental field reconstruction from sparse ecological observations

• arxiv url: http://arxiv.org/abs/2604.18083v1
• Date: Mon, 20 Apr 2026 10:59:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.818577
• Title: Implicit neural representations as a coordinate-based framework for continuous environmental field reconstruction from sparse ecological observations
• Title（参考訳）: 希少な生態観測から連続的環境空間再構築のための座標系としてのインプシット神経表現
• Authors: Agnieszka Pregowska, Hazem M. Kalaji,
• Abstract要約: 多くの生態データセットは空間と時間において異質であり、グリッドベースのアプローチはドメインをまたいだ拡張や一般化が困難である。 連続的な空間的表現を学習するための座標に基づくモデリングフレームワークとして暗黙的なニューラル表現を評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reconstructing continuous environmental fields from sparse and irregular observations remains a central challenge in environmental modelling and biodiversity informatics. Many ecological datasets are heterogeneous in space and time, making grid-based approaches difficult to scale or generalise across domains. Here, we evaluate implicit neural representations (INRs) as a coordinate-based modelling framework for learning continuous spatial and spatio-temporal fields directly from coordinate inputs. We analyse their behaviour across three representative modelling scenarios: species distribution reconstruction, phenological dynamics, and morphological segmentation derived from open biodiversity data. Beyond predictive performance, we examine interpolation behaviour, spatial coherence, and computational characteristics relevant for environmental modelling workflows, including scalability, resolution-independent querying, and architectural inductive bias. Results show that neural fields provide stable continuous representations with predictable computational cost, complementing classical smoothers and tree-based approaches. These findings position coordinate-based neural fields as a flexible representation layer that can be integrated into environmental modelling pipelines and exploratory analysis frameworks for large, irregularly sampled datasets.
• Abstract（参考訳）: 環境モデリングや生物多様性情報学において、スパースや不規則な観測から連続的な環境分野を再構築することは、依然として中心的な課題である。 多くの生態データセットは空間と時間において異質であり、グリッドベースのアプローチはドメインをまたいだ拡張や一般化が困難である。 そこで我々は,暗黙的ニューラル表現(INR)を,座標入力から直接連続空間場と時空間場を学習するための座標ベースモデリングフレームワークとして評価する。 我々は, 生物多様性データから得られた種分布再構成, 現象力学, 形態的セグメンテーションの3つの代表的なモデリングシナリオにまたがって, それらの挙動を分析した。 予測性能以外にも、拡張性、分解能に依存しないクエリ、アーキテクチャの帰納バイアスを含む環境モデリングワークフローに関連する補間挙動、空間コヒーレンス、計算特性について検討する。 その結果、ニューラルネットワークは予測可能な計算コストで安定な連続表現を提供し、古典的な滑らかさと木に基づくアプローチを補完することを示した。 これらの知見は、座標に基づくニューラルネットワークを、大規模で不規則なサンプルデータセットのための環境モデリングパイプラインや探索分析フレームワークに統合可能なフレキシブルな表現層として位置づけている。

関連論文リスト

• Supervised Learning of Random Neural Architectures Structured by Latent Random Fields on Compact Boundaryless Multiply-Connected Manifolds [0.0]
  本稿では,ニューラルネットワークにおける教師あり学習のための新しい確率的フレームワークを提案する。 決定論的入力を強く非ガウス的入力とする複雑な不確実なランダム出力をモデル化するように設計されている。 目的は、ニューラルネットワークが幾何学を意識したフィールド駆動生成プロセスを実現するための、概念的で数学的枠組みを確立することである。
  論文  参考訳（メタデータ） (2025-12-11T08:17:12Z)
• Evolving Graph Learning for Out-of-Distribution Generalization in Non-stationary Environments [61.62036321848316]
  グラフニューラルネットワーク(GNN)は、動的グラフ上の空間的パターンと時間的パターンを利用する際、顕著な成功を収めている。 既存のGNNは、動的シナリオでは避けられない分散シフトの下での能力の低下を示す。 本稿では環境対応不変パターン認識によるグラフ一般化(Evoal)の進化のための進化型グラフ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-04T08:22:29Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• How to Bridge Spatial and Temporal Heterogeneity in Link Prediction? A Contrastive Method [11.719027225797037]
  我々は,新しいtextbfContrastive Learning-based textbfLink textbfPrediction model, textbfCLPを提案する。 我々のマイモデルは最先端モデルよりも一貫して優れており、AUCとAPで平均10.10%、13.44%の改善が示されている。
  論文  参考訳（メタデータ） (2024-11-01T14:20:53Z)
• Enhancing Ecological Monitoring with Multi-Objective Optimization: A Novel Dataset and Methodology for Segmentation Algorithms [17.802456388479616]
  オーストラリア, ニューサウスウェールズ州ベガバレーで, 外来種および外来種を捉えた6,096個の高分解能空中画像のユニークなセマンティックセマンティックセマンティクスデータセットを導入した。 このデータセットは、草種の重複と分布のため、困難な課題を示す。 データセットとコードは公開され、コンピュータビジョン、機械学習、生態学の研究を促進することを目的としている。
  論文  参考訳（メタデータ） (2024-07-25T18:27:27Z)
• GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
  我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。 本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
  論文  参考訳（メタデータ） (2024-06-01T08:01:05Z)
• FREE: The Foundational Semantic Recognition for Modeling Environmental Ecosystems [56.0640340392818]
  我々は、様々な特徴と利用可能な情報を使ってユニバーサルモデルを訓練するフレームワーク、FREEを導入する。 その中核となる考え方は、利用可能な環境データをテキスト空間にマッピングし、環境科学における従来の予測モデリングタスクを意味認識問題に変換することである。 河川水温予測と収穫量予測という2つの社会学的に重要な実世界の応用に対する評価は、FREEが複数のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-17T00:53:09Z)
• Reconstructing Spatiotemporal Data with C-VAEs [49.1574468325115]
  移動領域の条件付き連続表現は一般的に用いられる。 本研究では,条件変数自動エンコーダ(C-VAE)モデルを用いて,領域の進化を現実的に表現する機能について検討する。
  論文  参考訳（メタデータ） (2023-07-12T15:34:10Z)
• A Novel Framework for Spatio-Temporal Prediction of Environmental Data Using Deep Learning [0.0]
  本稿では,深層学習を用いた気候・環境データの分解時間予測の枠組みを紹介する。 具体的には,完全時間信号の再構成を可能にする正規格子上に空間的にマッピング可能な関数を導入する。 実世界のシミュレーションデータへの応用は,提案フレームワークの有効性を示す。
  論文  参考訳（メタデータ） (2020-07-23T07:44:04Z)

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。