論文の概要: Characterizing AlphaEarth Embedding Geometry for Agentic Environmental Reasoning
- arxiv url: http://arxiv.org/abs/2604.18715v1
- Date: Mon, 20 Apr 2026 18:14:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-22 22:41:49.408791
- Title: Characterizing AlphaEarth Embedding Geometry for Agentic Environmental Reasoning
- Title（参考訳）: エージェント環境推論のためのAlphaEarth Embedding Geometryの特性評価
- Authors: Mashrekur Rahman, Samuel J. Barrett, Christina Last,
- Abstract要約: 1210万サンプルにわたるGoogle AlphaEarthの埋め込みの多様体幾何学を特徴づける。
本研究では,FAISSをインデックス化した埋め込みデータベース上で,環境問合せを推論チェーンに分解するエージェントシステムを開発した。
- 参考スコア（独自算出の注目度）: 0.21847754147782883
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Earth observation foundation models encode land surface information into dense embedding vectors, yet the geometric structure of these representations and its implications for downstream reasoning remain underexplored. We characterize the manifold geometry of Google AlphaEarth's 64-dimensional embeddings across 12.1 million Continental United States samples (2017--2023) and develop an agentic system that leverages this geometric understanding for environmental reasoning. The manifold is non-Euclidean: effective dimensionality is 13.3 (participation ratio) from 64 raw dimensions, with local intrinsic dimensionality of approximately 10. Tangent spaces rotate substantially, with 84\% of locations exceeding 60\textdegree{} and local-global alignment (mean$|\cosθ| = 0.17$) approaching the random baseline of 0.125. Supervised linear probes indicate that concept directions rotate across the manifold, and compositional vector arithmetic using both PCA-derived and probe-derived directions yields poor precision. Retrieval instead produces physically coherent results, with local geometry predicting retrieval coherence ($R^2 = 0.32$). Building on this characterization, we introduce an agentic system with nine specialized tools that decomposes environmental queries into reasoning chains over a FAISS-indexed embedding database. A five-condition ablation (120 queries, three complexity tiers) shows that embedding retrieval dominates response quality ($μ= 3.79 \pm 0.90$ vs.\ $3.03 \pm 0.77$ parametric-only; scale 1--5), with peak performance on multi-step comparisons ($μ= 4.28 \pm 0.43$). A cross-model benchmark show that geometric tools reduce Sonnet 4.5's score by 0.12 points but improve Opus 4.6's by 0.07, with Opus achieving higher geometric grounding (3.38 vs.\ 2.64), suggesting that the value of geometric characterization scales with the reasoning capability of the consuming model.
- Abstract（参考訳）: 地球観測基盤モデルは陸面情報を密度の高い埋め込みベクトルにエンコードするが、これらの表現の幾何学的構造と下流の推論に対するその意味は未解明のままである。
我々は、Google AlphaEarthの1210万サンプル(2017-2023)にわたる64次元埋め込みの多様体幾何学を特徴付け、この幾何学的理解を環境推論に活用するエージェントシステムを開発した。
この多様体は非ユークリッド的であり、実次元は64の原次元から13.3(参加比)であり、局所固有次元は約10である。
タンジェント空間は実質的に回転し、位置の84 % は 60 の次数{} を超え、局所球面アライメント (平均|\cosθ| = 0.17$) は0.125 のランダム基底線に近づいた。
教師付き線形プローブは、概念方向が多様体を横切るように回転していることを示し、PCAから導かれる方向とプローブから導かれる方向の両方を用いた合成ベクトル算術は、精度の悪さをもたらす。
Retrievalは代わりに物理的にコヒーレントな結果を生成し、局所幾何学は検索コヒーレンス(R^2 = 0.32$)を予測する。
この特徴に基づいて, FAISSをインデックス化した埋め込みデータベース上で, 環境問合せを推論チェーンに分解する9つの専門ツールを備えたエージェントシステムを導入する。
5条件アブレーション(120クエリ、3つの複雑性レベル)は、埋め込み検索が応答品質(μ= 3.79 \pm 0.90$ vs. )を支配していることを示している。
3.03 \pm 0.77$ parametric-only; scale 1--5)であり、マルチステップ比較(μ=4.28 \pm 0.43$)のピークパフォーマンスである。
クロスモデルベンチマークでは、ソネット4.5のスコアは0.12ポイント削減されるが、オプス4.6のスコアは0.07に改善され、オプスは3.38対3.38となる。
幾何的特徴付けの値は、消費モデルの推論能力に比例してスケールする。
関連論文リスト
- ATLAS: Constitution-Conditioned Latent Geometry and Redistribution Across Language Models and Neural Perturbation Data [0.0]
構成条件付きポストトレーニングは、モデルが学習した表現幾何学の構造化摂動として分析することができる。
グラフ, モデル, 基板間の構成による隠れ状態構造をトレースする, 幾何学第一のプログラムATLASを紹介する。
論文 参考訳（メタデータ） (2026-04-19T23:26:02Z) - Do Foundation Models Know Geometry? Probing Frozen Features for Continuous Physical Measurement [0.0]
視覚言語モデルは、それらのテキスト経路が表現できないような幾何学を符号化する。
ロラ微調整(r=16, 2,000枚)は、このギャップを6.5度に縮める。
これらの知見は、単一の凍結したバックボーンがマルチタスク幾何学的センサーとして機能することを可能にした。
論文 参考訳（メタデータ） (2026-03-06T16:48:27Z) - Physically Interpretable AlphaEarth Foundation Model Embeddings Enable LLM-Based Land Surface Intelligence [0.0]
環境変数26に対して,Google AlphaEarthの64次元埋め込みを包括的に解析する。
次に、FAISSによる1210万ベクトルの埋め込みデータベース上での検索拡張生成を実装するランドサーフェスインテリジェンスシステムを開発した。
論文 参考訳（メタデータ） (2026-02-10T22:58:50Z) - Riemannian Zeroth-Order Gradient Estimation with Structure-Preserving Metrics for Geodesically Incomplete Manifolds [57.179679246370114]
測地的に完備な測度を構築し、新しい測度の下での静止点が元の測度の下で定常であることを保証する。
構成された計量$g'$の下の$-固定点もまた、元の計量$g'$の下の$-定常点に対応する。
実用的なメッシュ最適化タスクの実験は、測地的完全性がない場合でも、我々のフレームワークが安定した収束を維持することを示した。
論文 参考訳（メタデータ） (2026-01-12T22:08:03Z) - Follow the Energy, Find the Path: Riemannian Metrics from Energy-Based Models [63.331590876872944]
本稿では,事前学習したエネルギーベースモデルから直接リーマン計量を導出する手法を提案する。
これらの測度は空間的に異なる距離を定義し、測地学の計算を可能にする。
EBM由来のメトリクスは、確立されたベースラインを一貫して上回ります。
論文 参考訳（メタデータ） (2025-05-23T12:18:08Z) - On-the-fly Point Feature Representation for Point Clouds Analysis [7.074010861305738]
そこで我々は,曲線特徴生成モジュールを通じて,豊富な幾何学的情報を明示的にキャプチャするOn-the-fly Point Feature Representation (OPFR)を提案する。
また、三角形集合に基づく局所座標系を近似した局所参照コンストラクタモジュールを導入する。
OPFRは推論に1.56ms(バニラPFHより65倍速い)と0.012M以上のパラメータしか必要とせず、様々なバックボーン用の汎用的なプラグアンドプレイモジュールとして機能する。
論文 参考訳（メタデータ） (2024-07-31T04:57:06Z) - Adaptive Surface Normal Constraint for Geometric Estimation from Monocular Images [56.86175251327466]
本稿では,幾何学的文脈を取り入れつつ,画像から深度や表面正規度などの測地を学習するための新しい手法を提案する。
提案手法は,入力画像に存在する幾何学的変動を符号化した幾何学的文脈を抽出し,幾何的制約と深度推定を相関付ける。
本手法は,画像から高品質な3次元形状を生成可能な密着型フレームワーク内での深度と表面の正規分布推定を統一する。
論文 参考訳（メタデータ） (2024-02-08T17:57:59Z) - Neural Convolutional Surfaces [59.172308741945336]
この研究は、大域的、粗い構造から、微細で局所的で、おそらく繰り返される幾何学を歪める形状の表現に関係している。
このアプローチは, 最先端技術よりも優れたニューラル形状圧縮を実現するとともに, 形状詳細の操作と伝達を可能にする。
論文 参考訳（メタデータ） (2022-04-05T15:40:11Z) - PUGeo-Net: A Geometry-centric Network for 3D Point Cloud Upsampling [103.09504572409449]
PUGeo-Netと呼ばれる新しいディープニューラルネットワークを用いた一様高密度点雲を生成する手法を提案する。
その幾何学中心の性質のおかげで、PUGeo-Netはシャープな特徴を持つCADモデルとリッチな幾何学的詳細を持つスキャンされたモデルの両方でうまく機能する。
論文 参考訳（メタデータ） (2020-02-24T14:13:29Z)
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。