論文の概要: No One Knows the State of the Art in Geospatial Foundation Models

• arxiv url: http://arxiv.org/abs/2605.12678v1
• Date: Tue, 12 May 2026 19:29:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.64432
• Title: No One Knows the State of the Art in Geospatial Foundation Models
• Title（参考訳）: 地理空間基盤モデルにおける技術の現状を知る人はいない
• Authors: Isaac Corley, Nils Lehmann, Caleb Robinson, Gabriel Tseng, Anthony Fuller, Hamed Alemohammad, Evan Shelhamer, Jennifer Marcus, Hannah Kerner,
• Abstract要約: 我々は、この芸術の現状が地理空間基盤モデルに何があるのか誰も知らないと主張している。 これらの手法は有用であるが、GFMの文献は評価、トレーニング、テストのプロトコル、リリースウェイト、事前訓練の制御を標準化していない。
• 参考スコア（独自算出の注目度）: 21.487353140679463
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Geospatial foundation models (GFMs) have been proposed as generalizable backbones for disaster response, land-cover mapping, food-security monitoring, and other high-stakes Earth-observation tasks. Yet the published work about these models does not give reviewers or users enough information to tell which model fits a given task. We argue that nobody knows what the current state of the art is in geospatial foundation models. The methods may be useful, but the GFM literature does not standardize evaluations, training and testing protocols, released weights, or pretraining controls well enough for anyone to compare or rank them. In a 152-paper audit, we find 46 cross-paper disagreements of at least 10 points for the same model, benchmark, and protocol; 94/126 papers with extractable pretraining data use a configuration no other paper uses; and 39% of GFM papers release no model weights. This lack of community standards can be solved. We propose six concrete expectations: named-license weight release, shared core evaluations, copied-versus-rerun baseline annotations, variance reporting, one shared evaluation harness, and data-vs-architecture-vs-algorithm controls. These gaps are a coordination failure, not a fault of any individual lab; the authors of this paper, like many others in the GFM community, have contributed to them. Rather than just critiquing the community, we aim to provide concrete steps toward a shared understanding of how to innovate GFMs.
• Abstract（参考訳）: 地球空間基盤モデル(GFM)は、災害対応、土地被覆マッピング、食料安全保障監視、その他の高高度地球観測作業のための一般的なバックボーンとして提案されている。 しかし、これらのモデルに関する公開された研究は、レビュアーやユーザーに対して、どのモデルが与えられたタスクに適合しているかを示す十分な情報を与えていない。 地理空間基盤モデルで現在最先端技術が何であるかは、誰も知らない、と私たちは主張する。 これらの手法は有用かもしれないが、GFMの文献は評価、トレーニング、試験のプロトコル、リリースされたウェイト、あるいは比較やランク付けに十分な事前訓練制御を標準化していない。 152紙の監査では、同じモデル、ベンチマーク、プロトコルに対して少なくとも10点のクロスペーパー不一致が46件、抽出可能な事前学習データを持つ94/126紙は、他の紙を使用しない構成を用いており、GFM論文の39%はモデル重みを公表していない。 このコミュニティ標準の欠如は解決できる。 提案する具体的な期待事項は,名前付きライセンスウェイトリリース,共有コア評価,複写逆実行ベースラインアノテーション,分散レポート,共有評価ハーネス,データ-vs-architecture-vs-algorithm制御の6つである。 これらのギャップは共同作業の失敗であり、個々の研究室の失敗ではない。 コミュニティを批判するだけでなく、GFMの革新方法の共通理解に向けた具体的なステップの提供を目標としています。

関連論文リスト

• GEO-Bench-2: From Performance to Capability, Rethinking Evaluation in Geospatial AI [52.13138825802668]
  GeoFMは地球観測を変革しているが、評価には標準化されたプロトコルが欠けている。 GEO-Bench-2は、分類、セグメンテーション、回帰、オブジェクト検出、インスタンスセグメンテーションにまたがる包括的なフレームワークでこの問題に対処する。 GEO-Bench-2のコード、データ、およびリーダーボードは、パーミッシブライセンスの下で公開されている。
  論文  参考訳（メタデータ） (2025-11-19T17:45:02Z)
• Membership Inference Attack Should Move On to Distributional Statistics for Distilled Generative Models [22.61596800520282]
  大規模生成モデルの訓練における不正なデータ使用を検出するために,MIA(メンバシップ推論攻撃)が有効であることが証明された。 従来のMIAは蒸留生成モデル(すなわち学生モデル)に対して失敗し,その効率性はますます向上している。 蒸留生成モデルを用いて不許可なトレーニングデータを検出するための分布型MIAの3つの原理を提案する。
  論文  参考訳（メタデータ） (2025-02-05T08:11:23Z)
• PANGAEA: A Global and Inclusive Benchmark for Geospatial Foundation Models [3.9031647202359667]
  PANGAEAは標準化された評価プロトコルであり、さまざまなデータセット、タスク、解像度、センサーのモダリティ、時間性をカバーする。 我々は、このベンチマークで利用可能な最も人気のあるGFMを評価し、その性能を複数のドメインで分析する。 本研究は, GFMの限界を, 異なるシナリオ下で強調し, 教師付きモデルよりも常に優れていないことを示した。
  論文  参考訳（メタデータ） (2024-12-05T14:40:41Z)
• Consistent Diffusion Models: Mitigating Sampling Drift by Learning to be Consistent [97.64313409741614]
  本稿では, モデルが生成したデータ上での予測が時間とともに一定であることを示す, 両立性特性を強制することを提案する。 CIFAR-10の条件および非条件生成とAFHQとFFHQのベースライン改良について,本研究の新たな訓練目標が得られた。
  論文  参考訳（メタデータ） (2023-02-17T18:45:04Z)
• Deconstructing Self-Supervised Monocular Reconstruction: The Design Decisions that Matter [63.5550818034739]
  本稿では,自己教師付き単分子深度推定への最先端の貢献を評価するための枠組みを提案する。 事前トレーニング、バックボーン、アーキテクチャ設計の選択、損失関数が含まれる。 我々は16の最先端コントリビューションを再実装し、検証し、再評価し、新しいデータセットを導入します。
  論文  参考訳（メタデータ） (2022-08-02T14:38:53Z)
• Assaying Out-Of-Distribution Generalization in Transfer Learning [103.57862972967273]
  私たちは、経験的に対処するメッセージの相違を強調して、以前の作業の統一的なビューを取ります。 私たちは9つの異なるアーキテクチャから、多数の、あるいは少数の設定で31K以上のネットワークを微調整しました。
  論文  参考訳（メタデータ） (2022-07-19T12:52:33Z)
• General Greedy De-bias Learning [163.65789778416172]
  本稿では,関数空間における勾配降下のような偏りのあるモデルとベースモデルを優雅に訓練する一般グリーディ・デバイアス学習フレームワーク(GGD)を提案する。 GGDは、事前知識を持つタスク固有バイアスモデルと、事前知識を持たない自己アンサンブルバイアスモデルの両方の設定の下で、より堅牢なベースモデルを学ぶことができる。
  論文  参考訳（メタデータ） (2021-12-20T14:47:32Z)
• Decentralized Federated Learning Preserves Model and Data Privacy [77.454688257702]
  我々は、訓練されたモデル間で知識を共有することができる、完全に分散化されたアプローチを提案する。 生徒は、合成された入力データを通じて教師の出力を訓練する。 その結果,教師が学習した未学習学生モデルが,教師と同等のF1スコアに達することがわかった。
  論文  参考訳（メタデータ） (2021-02-01T14:38:54Z)

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。