論文の概要: STELLAR: Spatio-Temporal Environmental Learning with Latent Alignment and Refinement for Long-Tailed Species Distribution Modeling

• arxiv url: http://arxiv.org/abs/2606.08484v1
• Date: Sun, 07 Jun 2026 07:05:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.140076
• Title: STELLAR: Spatio-Temporal Environmental Learning with Latent Alignment and Refinement for Long-Tailed Species Distribution Modeling
• Title（参考訳）: STELLAR:長期配向型種分布モデリングのための潜在配向・補修型時空間環境学習
• Authors: Shufeng Kong, Tao Yu, Yuanyuan Wei, Caihua Liu, Junwen Bai, Yingheng Wang, Marc Grimson, Daniel Fink, Carla P. Gomes,
• Abstract要約: STELLARは動的コンテキストを協調的に最適化する潜在共有空間を学習する新しいフレームワークである。 本研究の枠組みは, 希少種を予測し, 解釈可能な種間相互作用を明らかにする上で, 最先端のベースラインを著しく上回っている。
• 参考スコア（独自算出の注目度）: 32.41889391415496
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Joint Species Distribution Modeling (JSDM) is a key enabler for biodiversity monitoring and conservation planning. However, accurate JSDM faces two coupled challenges: environmental drivers and species distributions are inherently spatio-temporal, while species co-occurrence patterns exhibit complex non-linear community structure and severe long-tail imbalance driven by rare species. Existing approaches often address these factors in isolation, learning from static covariates or neglecting the historical trajectories of dynamic community structure. To overcome these limitations, we propose STELLAR (Spatio-Temporal Environmental Learning with Latent Alignment and Refinement), a novel framework that learns a shared latent space where dynamic habitat context and community structure are optimized jointly. Our approach integrates three complementary components: (1) a Graph-Temporal Encoder that employs graph attention and recurrent units to aggregate spatial neighborhood effects and capture the co-evolving historical dynamics of environmental context and community structure; (2) a Context-Anchored Latent Alignment mechanism that structures the latent space using a label-activated mixture prior and supervised contrastive learning, actively clustering species based on shared environmental preferences; and (3) an Imbalance-Aware Decoupled Decoding module that utilizes Asymmetric Loss to focus learning on hard, rare species samples, preventing mode collapse in the long tail. Experiments on the large-scale eBird dataset, curated with domain experts, demonstrate that our framework significantly outperforms state-of-the-art baselines, particularly in predicting rare species and revealing interpretable species interactions.
• Abstract（参考訳）: 共同種分布モデリング(JSDM)は,生物多様性のモニタリングと保全計画のための重要な手段である。 しかし、JSDMは環境要因と種分布が本質的に時空間的であり、種共起パターンは複雑で非線形なコミュニティ構造と、希少種によって駆動される厳しい長尾不均衡を示す。 既存のアプローチは、静的な共変量から学び、動的コミュニティ構造の歴史的軌跡を無視するなど、これらの要因を分離して対処することが多い。 これらの制約を克服するために,動的環境コンテキストとコミュニティ構造を協調的に最適化した共有潜在空間を学習する新しいフレームワークであるSTELLAR(Spatio-Temporal Environment Learning with Latent Alignment and Refinement)を提案する。 提案手法は, グラフアテンションとリカレント・ユニットを用いて, 空間近傍効果を集約し, 環境コンテキストとコミュニティ構造の共進化する歴史的ダイナミクスを捉えるグラフ・テンポラル・エンコーダ, ラベルアクティベートな混合および教師付きコントラスト学習を用いて潜伏空間を構造化するコンテキスト・アンコレート・ラテント・アライメント機構, 共有環境嗜好に基づくアクティブクラスタリング種, および, 非対称ロスを利用した非対称ロスを利用した非平衡型デカップリングデコーディングモジュールと, 長テールにおけるモード崩壊を防止する。 ドメインの専門家による大規模なeBirdデータセットの実験は、我々のフレームワークが最先端のベースライン、特に希少種の予測と解釈可能な種の相互作用において著しく優れていることを実証している。

関連論文リスト

• Online Continual Learning with Dynamic Label Hierarchies [72.33335166136045]
  粒度をまたいで重大度が進化する新しい問題設定であるDHOCLを導入し,各サンプルは単一階層レベルでの監視を行う。 i) 混合粒度の部分的監視は、塑性を制約し、階層間のセマンティック一貫性を損なう、進化するパスワイド階層上のポイントワイド信号のみを提供する。 本稿では,相補的分類を適応的に組み合わせ,学習可能な階層型プロトタイプによって正規化し,素早い適応,階層的整合性,構造的知識の統合を可能にするHALOを提案する。
  論文  参考訳（メタデータ） (2026-05-12T08:20:23Z)
• Implicit neural representations as a coordinate-based framework for continuous environmental field reconstruction from sparse ecological observations [0.0]
  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。
  論文  参考訳（メタデータ） (2026-04-20T10:59:08Z)
• LabelKAN -- Kolmogorov-Arnold Networks for Inter-Label Learning: Avian Community Learning [15.708656410014685]
  本稿では,Collgorov-Arnold Networks (KAN) に基づく新しいフレームワークである LabelKAN を紹介し,ラベル間の接続を各ラベルの予測から学習する。 鳥類種の分布をモデル化する際、ラベルカンは大部分の種にわたって予測性能を著しく向上させる。
  論文  参考訳（メタデータ） (2026-01-23T15:50:50Z)
• Towards AI-Guided Open-World Ecological Taxonomic Classification [25.577016053193862]
  TaxoNetは、埋め込みベースのエンコーダで、二重マージン化損失があり、希少な未表現の分類からの学習信号を強化する。 本研究は, 汎用マルチモーダル基盤モデルが植物ドメインに制約を課していることを示す。
  論文  参考訳（メタデータ） (2025-12-22T03:20:05Z)
• 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)
• Continental-scale habitat distribution modelling with multimodal earth observation foundation models [0.0]
  ハビタットは、生物多様性を支援し、人々の自然への貢献を維持する、無生物的な条件、植生の構成、構造を統合する。 現在の生息地マップは、しばしばテーマや空間分解能において不足している。 我々は,高分解能リモートセンシング(RS)データと人工知能(AI)ツールが生息地マッピングをどのように改善するかを評価した。
  論文  参考訳（メタデータ） (2025-07-13T18:11:26Z)
• HierRelTriple: Guiding Indoor Layout Generation with Hierarchical Relationship Triplet Losses [52.70183252341687]
  本稿では,空間的関係学習に着目した階層型三重項に基づく屋内関係学習手法HierRelTripleを提案する。 階層型リレーショナル三重項モデリングフレームワークであるHierRelTripleを導入する。 非条件レイアウト合成、フロアプラン条件付きレイアウト生成、シーン再構成の実験により、HierRelは空間関係のメトリクスを15%以上改善することを示した。
  論文  参考訳（メタデータ） (2025-03-26T07:31:52Z)
• SPARTAN: A Sparse Transformer Learning Local Causation [63.29645501232935]
  因果構造は、環境の変化に柔軟に適応する世界モデルにおいて中心的な役割を果たす。 本研究では,SPARse TrANsformer World Model(SPARTAN)を提案する。 オブジェクト指向トークン間の注意パターンに空間規則を適用することで、SPARTANは、将来のオブジェクト状態を正確に予測するスパース局所因果モデルを特定する。
  論文  参考訳（メタデータ） (2024-11-11T11:42:48Z)
• 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)

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。