論文の概要: A Proxy Consistency Loss for Grounded Fusion of Earth Observation and Location Encoders

• arxiv url: http://arxiv.org/abs/2604.18881v1
• Date: Mon, 20 Apr 2026 22:01:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.519936
• Title: A Proxy Consistency Loss for Grounded Fusion of Earth Observation and Location Encoders
• Title（参考訳）: 地球観測・位置エンコーダの接地核融合における近接損失
• Authors: Zhongying Wang, Kevin Lane, Levi Cai, Morteza Karimzadeh, Esther Rolf,
• Abstract要約: 地球観測入力による教師付き学習は、しばしば、トレーニングラベルとして使用する高品質なラベル付きまたはその場測定データの範囲によって制限される。 位置エンコーダにプロキシデータを埋め込むために,プロキシ一貫性損失(PCL)の定式化を導入する。 大気質予測と貧困マッピングの実験は、PCLがプロキシから豊富な情報を組み込むことができることを示している。
• 参考スコア（独自算出の注目度）: 6.180231426200955
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Supervised learning with Earth observation inputs is often limited by the sparsity of high-quality labeled or in-situ measured data to use as training labels. With the abundance of geographic data products, in many cases there are variables correlated with - but different from - the variable of interest that can be leveraged. We integrate such proxy variables within a geographic prior via a trainable location encoder and introduce a proxy consistency loss (PCL) formulation to imbue proxy data into the location encoder. The first key insight behind our approach is to use the location encoder as an agile and flexible way to learn from abundantly available proxy data which can be sampled independently of training label availability. Our second key insight is that we will need to regularize the location encoder appropriately to achieve performance and robustness with limited labeled data. Our experiments on air quality prediction and poverty mapping show that integrating proxy data implicitly through the location encoder outperforms using both as input to an observation encoder and fusion strategies that use frozen, pretrained location embeddings as a geographic prior. Superior performance for in-sample prediction shows that the PCL can incorporate rich information from the proxies, and superior out-of-sample prediction shows that the learned latent embeddings help generalize to areas without training labels.
• Abstract（参考訳）: 地球観測入力による教師付き学習は、しばしば、トレーニングラベルとして使用する高品質なラベル付きまたはその場測定データの範囲によって制限される。 地理的データ生成物の豊富さでは、多くの場合、活用できる関心の変数と(しかし異なる)相関する変数が存在する。 このようなプロキシ変数をトレーニング可能なロケーションエンコーダを介して地理的事前に統合し,代用プロキシデータに代用するプロキシ一貫性損失(PCL)の定式化を導入する。 このアプローチの背後にある最初の重要な洞察は、ロケーションエンコーダを、豊富な利用可能なプロキシデータから学ぶための、アジャイルで柔軟な方法として使うことです。 2つ目の重要な洞察は、限られたラベル付きデータでパフォーマンスと堅牢性を達成するために、位置エンコーダを適切に調整する必要があるということです。 大気の質予測と貧困マッピングに関する実験により, 位置エンコーダによるプロキシデータの統合は, 観測エンコーダへの入力と, 凍結した事前学習した位置埋め込みを地理的先行として利用する融合戦略の両方を用いて, 性能的に優れていた。 サンプル内予測の上位性能は、PCLがプロキシから豊富な情報を組み込めることを示し、より優れたサンプル外予測は、学習された潜伏埋め込みがラベルを訓練せずに領域に一般化するのに役立つことを示している。

関連論文リスト

• Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
  本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。 生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。 数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
  論文  参考訳（メタデータ） (2025-11-21T07:25:49Z)
• 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)
• 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)
• Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
  本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-20T01:34:13Z)
• Self-Supervised Learning for User Localization [8.529237718266042]
  機械学習技術は、ローカライゼーションタスクにおいて顕著な精度を示している。 大量のラベル付きデータ、特にChannel State Information(CSI)およびそれに対応する座標への依存は、依然としてボトルネックである。 CSIに基づくユーザローカライゼーションのための教師付き学習性能を高めるために,ラベルなしデータによる自己教師付き事前学習を活用する先駆的手法を提案する。
  論文  参考訳（メタデータ） (2024-04-19T21:49:10Z)
• SatCLIP: Global, General-Purpose Location Embeddings with Satellite Imagery [22.716322265391852]
  衛星コントラスト位置画像事前学習(SatCLIP)について紹介する。 SatCLIPは、公開衛星画像のCNNとViTの視覚パターンを地理的座標と一致させることで、位置の暗黙的な表現を学習する。 実験では、温度予測、動物認識、人口密度推定を含む9つの異なる位置依存タスクにおいて、SatCLIP埋め込みを用いて予測性能を向上させる。
  論文  参考訳（メタデータ） (2023-11-28T19:14:40Z)
• Robust Self-Tuning Data Association for Geo-Referencing Using Lane Markings [44.4879068879732]
  本稿では,データアソシエーションにおけるあいまいさを解消するための完全なパイプラインを提案する。 その中核は、測定のエントロピーに応じて探索領域に適応する堅牢な自己調整データアソシエーションである。 ドイツ・カールスルーエ市周辺の都市・農村のシナリオを実データとして評価した。
  論文  参考訳（メタデータ） (2022-07-28T12:29:39Z)
• AutoGeoLabel: Automated Label Generation for Geospatial Machine Learning [69.47585818994959]
  リモートセンシングデータのためのラベルの自動生成のためのビッグデータ処理パイプラインを評価する。 我々は,大規模データプラットフォームであるIBM PAIRSを用いて,密集都市部でそのようなラベルを動的に生成する。
  論文  参考訳（メタデータ） (2022-01-31T20:02:22Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain Gait Recognition [77.77786072373942]
  本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。 我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。 提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-02-09T03:07:07Z)

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。