論文の概要: Multi-Modal Spatio-Temporal Graph Neural Network with Mixture of Experts for Soil Organic Carbon Prediction

• arxiv url: http://arxiv.org/abs/2606.16580v1
• Date: Mon, 15 Jun 2026 11:25:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.483209
• Title: Multi-Modal Spatio-Temporal Graph Neural Network with Mixture of Experts for Soil Organic Carbon Prediction
• Title（参考訳）: 土壌有機炭素予測の専門家の混在を考慮した多モード時空間グラフニューラルネットワーク
• Authors: Daniele Mos, Felipe Drummond, Anton Bossenbroek, Soufiane el Khinifri,
• Abstract要約: 既存のアプローチでは、手作りのコモーダルを古典的なMLとペアリングするか、豊富なスペクトルと時間情報を見逃す単一モードのディープモデルである。 本稿では,SpTGNNとグリッドベースアーキテクチャの両方に対処するマルチテンポラルグラフニューラルネットワークであるSpTG-NNを紹介する。 微調整されたTerraMindエンコーダは、Sentinel-2、Sentinel-1、DEM信号からノード特徴を抽出する。
• 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: Top-soil organic carbon (SOC) prediction is fundamental to agricultural sustainability, land use policy and fertilization planning. Existing approaches face two limitations: they pair hand-crafted covariates with classical ML or single-modal deep models that miss rich spectral and temporal information, and grid-based architectures ignore the irregular spatial structure of field measurements. We introduce SpTGNN, a multi-modal spatio-temporal graph neural network addressing both. SpTGNN represents soil measurements as nodes in a heterogeneous graph with three edge types (spatial proximity, spectral similarity, elevation), and applies relational graph attention to learn separate patterns per relation. A fine-tuned TerraMind encoder extracts node features from Sentinel-2, Sentinel-1 and DEM signals, combined with per-sample environmental covariates and learned positional and temporal embeddings. A sparse Mixture-of-Experts module fuses the four streams via top-$k$ routing. Uncertainty is captured by pairing heteroscedastic regression (aleatoric) with deep ensembles (epistemic), and a Moran's $I$ penalty regularizes spatial autocorrelation. We evaluate on a global SOC corpus split into three regional instances ($\sim$49k samples globally, Africa $\sim$26k, Europe $\sim$14k). Our 5-member deep ensemble reports $R^2=0.762$, RMSE $=3.51\pm0.48$ g/kg and MAPE $=22.9\%$ on the Africa test split, improving over a tabular XGBoost baseline; the best single checkpoint reaches validation $R^2=0.864$. Ablations confirm the heterogeneous graph, MoE fusion and fine-tuned backbone each contribute substantively, and the ensemble UQ stack achieves post-calibration ECE of $0.031$ (hybrid) and $0.026$ ($β$-NLL). To our knowledge, this is the first framework to unify foundation-model feature extraction, heterogeneous graph attention and decomposed uncertainty quantification for SOC estimation.
• Abstract（参考訳）: トップ土壌有機炭素(SOC)予測は、農業の持続可能性、土地利用政策、肥料化計画の基礎となる。 既存のアプローチは、2つの制限に直面している:それらは手作りの共変体と古典的なMLまたは豊富なスペクトルや時間的情報を欠く単一モードのディープモデルとをペアリングし、グリッドベースのアーキテクチャはフィールド測定の不規則な空間構造を無視している。 本稿では,マルチモーダル時空間グラフニューラルネットワークSpTGNNを紹介する。 SpTGNNは3つのエッジタイプ(空間的近接性、スペクトル類似性、標高)を持つ不均一グラフのノードとして土壌測定を表現し、関係関係ごとに異なるパターンを学習するために関係グラフの注意を適用する。 微調整されたTerraMindエンコーダは、Sentinel-2、Sentinel-1、DEM信号からノード特徴を抽出し、サンプルごとの環境共変と位置および時間埋め込みを学習する。 スパースMixture-of-Expertsモジュールは、トップ$k$ルーティングを介して4つのストリームを融合する。 不確実性は、深いアンサンブルとヘテロスセダスティック回帰(アラート性)をペアリングすることによって捉えられ、モランのI$ペナルティは空間的自己相関を規則化する。 グローバルなSOCコーパスを3つの地域インスタンス(グローバルに$49k、アフリカに$26k、ヨーロッパに$14k)に分けて評価する。 我々の5員のディープアンサンブルは、$R^2=0.762$, RMSE $=3.51\pm0.48$ g/kg, MAPE $=22.9\%$をアフリカのテストスプリットで行い、表のXGBoostベースラインよりも改善した。 アブレーションにより不均一グラフ、MoE融合、微調整バックボーンはそれぞれ実質的に寄与し、アンサンブルUQスタックは0.031$(ハイブリド)および0.026$(β$-NLL)のポスト校正ECEを達成する。 我々の知る限り、これは基礎モデルの特徴抽出、異種グラフの注意、SOC推定のための不確実性定量化を統一する最初のフレームワークである。

関連論文リスト

• $p$-adic Bi-Filtrations for Topological Machine Learning on Genomic Sequences [1.0165640083594571]
  pVRはアライメントのないゲノム配列分類のための機械学習フレームワークである。 これは$p$-adic数値とトポロジカルデータ解析を組み合わせたものである。
  論文  参考訳（メタデータ） (2026-06-04T13:05:36Z)
• Three Costs of Amortizing Gaussian Process Inference with Neural Processes [0.0]
  ニューラルネットワークはガウス過程の推論を補正し、正確な$O(n3)$後方を文脈集合から予測分布への学習された$O(n)$マップに置き換える。 潜在神経過程のクラスでは、GPとLNPの間でKL(Kullback--Leibler)の分岐を3つの解釈可能なソースに分解する。 これらの結果は,GP-アモタイズ体制において,分析クラス内でのアモーティゼーションのコストを特徴付けるとともに,文脈位置からのばらつきを予測するためのアーキテクチャ勧告を提示する。
  論文  参考訳（メタデータ） (2026-05-20T22:48:23Z)
• A Closed-Form Adaptive-Landmark Kernel for Certified Point-Cloud and Graph Classification [0.0]
  PALACEはOrbitHS5k(91.3pm 1.0%$, matching Persformer)上で最強の閉形式ダイアグラムベースの方法である ドメインインフレーションが8ドルになると、均等グリッドが崩壊する一方、プレースメントは94%$を維持している(4クラスデータでは25%$) PALACEはOrbitHS5k(91.3pm 1.0%$, matching Persformer)上で最強の閉形式ダイアグラムベースの手法である。
  論文  参考訳（メタデータ） (2026-05-05T17:59:18Z)
• Minimax Optimality and Spectral Routing for Majority-Vote Ensembles under Markov Dependence [6.908972852063454]
  主要声楽アンサンブルは、多種多様なほぼ独立した基礎学習者に対して平均化することにより、ばらつきの低減を実現する。 固定次元マルコフ集合における離散的な分類のために、この現象のミニマックス的特徴付けを行う。 合成マルコフ連鎖、2次元空間格子、128データセットのUCRアーカイブ、アタリDQNアンサンブルに関する実験は、理論的な予測を検証している。
  論文  参考訳（メタデータ） (2026-04-15T02:32:30Z)
• SA-CycleGAN-2.5D: Self-Attention CycleGAN with Tri-Planar Context for Multi-Site MRI Harmonization [3.5109108807229403]
  本稿では,Ben-David らによる$HH$-divergence 境界によるドメイン適応フレームワーク SA-CycleGAN-2.5D を提案する。 2D効率と3D一貫性をブリッジすることで,腫瘍の病態を保ったボクセルレベルの高調波画像が得られる。
  論文  参考訳（メタデータ） (2026-03-17T23:49:46Z)
• Near-Optimal Clustering in Mixture of Markov Chains [74.3828414695655]
  我々は、長さ$H$の軌跡を、大きさ$S$の有限状態空間上の未知のエルゴードマルコフ鎖の1つによって生成される、$T$ trajectories of length $H$の問題を研究する。 我々は、連鎖の遷移核間の重み付きKL分散によって支配されるクラスタリングエラー率に基づいて、インスタンス依存で高い確率の低い境界を導出する。 次に,新しい2段階クラスタリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-06-02T05:10:40Z)
• Collaborative non-parametric two-sample testing [55.98760097296213]
  目標は、null仮説の$p_v = q_v$が拒否されるノードを特定することである。 グラフ構造を効率的に活用する非パラメトリックコラボレーティブ2サンプルテスト(CTST)フレームワークを提案する。 提案手法は,f-divergence Estimation, Kernel Methods, Multitask Learningなどの要素を統合する。
  論文  参考訳（メタデータ） (2024-02-08T14:43:56Z)
• Information-Theoretic Thresholds for Planted Dense Cycles [52.076657911275525]
  本研究では,社会科学や生物科学においてユビキタスな小世界ネットワークのランダムグラフモデルについて検討する。 植え込み高密度サイクルの検出と回復の両面において、情報理論の閾値を$n$, $tau$、エッジワイド信号対雑音比$lambda$で特徴づける。
  論文  参考訳（メタデータ） (2024-02-01T03:39:01Z)
• Detection-Recovery Gap for Planted Dense Cycles [72.4451045270967]
  期待帯域幅$n tau$とエッジ密度$p$をエルドホス=R'enyiグラフ$G(n,q)$に植え込むモデルを考える。 低次アルゴリズムのクラスにおいて、関連する検出および回復問題に対する計算しきい値を特徴付ける。
  論文  参考訳（メタデータ） (2023-02-13T22:51:07Z)

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。