論文の概要: Bringing Agentic Search to Earth Observation Data Discovery

• arxiv url: http://arxiv.org/abs/2607.02387v1
• Date: Thu, 02 Jul 2026 16:24:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.918506
• Title: Bringing Agentic Search to Earth Observation Data Discovery
• Title（参考訳）: 地球観測データ発見にエージェントサーチを導入する
• Abstract要約: NASAは、Worldview、Giovanni、Science Discovery Engine、Harmonyなど、何千もの地球科学データセットとツールを保有している。 本稿では,地学コミュニティの公開サービスとして展開されるエージェント検索システムについて,自然言語による検索を行い,一致するデータセットやツールを返却する。
• 参考スコア（独自算出の注目度）: 5.785021425715989
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: NASA and its data centers hold thousands of geoscience datasets and tools like Worldview, Giovanni, the Science Discovery Engine, and Harmony. Finding the right one is hard even for domain experts. We present an agentic search system, deployed as a public service for the geoscience community, that takes a natural-language research query and returns the matching datasets and tools. We demonstrate that, in the era of large language models, the latent value of knowledge graphs (KGs) can be substantially amplified through agentic search. From the NASA Earth Observation Knowledge Graph (NASA EO-KG) we derive NASA-EO-Bench, an open benchmark of 47k query-dataset pairs (21k task-based queries). A neural scorer fine-tuned on NASA-EO-Bench beats cosine and BM25 baselines. Further combining it with BM25 via score fusion raises both Recall@10 (R@10) and MRR by over 5x. On top of this supervised pipeline, we add a zero-shot agentic reranking stage that, without any additional training, lifts MRR by 28% on a stratified N=200 subset, showing that LLM reasoning is complementary to supervised retrieval.
• Abstract（参考訳）: NASAとそのデータセンターは、Worldview、Giovanni、Science Discovery Engine、Harmonyなど、何千もの地球科学データセットとツールを保有している。 ドメインの専門家にとっても、正しいものを見つけることは難しい。 本稿では,地学コミュニティの公開サービスとして展開されるエージェント検索システムについて,自然言語による検索を行い,一致するデータセットやツールを返却する。 我々は,大規模言語モデルの時代において,エージェント探索によって知識グラフ(KG)の潜伏値が実質的に増幅できることを実証した。 NASA地球観測知識グラフ(NASA EO-KG)から、47kのクエリデータセットペア(タスクベースのクエリ21k)のオープンベンチマークであるNASA-EO-Benchを導き出した。 NASA-EO-Benchで微調整されたニューラルスコアは、コサインとBM25のベースラインを打ち負かす。 さらにスコア融合によるBM25と組み合わせることで、Recall@10(R@10)とMRRを5倍以上上昇させる。 この教師付きパイプラインの上に、ゼロショットエージェントリグレードステージを追加し、追加のトレーニングなしで、階層化されたN=200サブセット上でMRRを28%上昇させ、LLM推論が教師付き検索に相補的であることを示す。

関連論文リスト

• Compass: Navigating Global Marine Lead Data Integration through Expert-Guided LLM Agent [55.77954024801206]
  海洋鉛(Pb)とその同位体は海洋循環と人為的汚染にとって重要なトレーサーである。 手動抽出はスケールできないが、汎用大規模言語モデル(LLM)は必要なドメイン固有の知識を欠いている。 我々は,LLMが微調整なしで厳密な科学的データ抽出を行うことのできる専門家誘導型適応手法を提案する。
  論文  参考訳（メタデータ） (2026-05-28T14:06:25Z)
• AgentIR: Reasoning-Aware Retrieval for Deep Research Agents [76.29382561831105]
  ディープリサーチエージェントは、各検索の前に明示的な自然言語推論を生成する。 Reasoning-Aware Retrievalは、クエリと一緒にエージェントの推論トレースを埋め込む。 DR-Synthは、標準的なQAデータセットからDeep Researchレトリバーのトレーニングデータを生成する。 AgentIR-4Bは、オープンウェイトエージェントであるTongyi-DeepResearchで68%の精度を達成する。
  論文  参考訳（メタデータ） (2026-03-04T18:47:26Z)
• Autonomous Knowledge Graph Exploration with Adaptive Breadth-Depth Retrieval [26.815539094904278]
  ARK: アダプティブ・リトリバー・オブ・ナレッジ(Adaptive Retriever of Knowledge)は、この広い範囲のトレードオフを言語モデルで制御します。 ARKは、脆弱な種の選択に依存することなく、幅指向の発見と深さ指向の展開を交互に行う。 ARKは平均Hit@1と67.4の平均MRRを59.1%、平均Hit@1を31.4%、平均MRRを28.0%改善している。
  論文  参考訳（メタデータ） (2026-01-20T13:46:37Z)
• OlmoEarth: Stable Latent Image Modeling for Multimodal Earth Observation [68.10925029626709]
  オルモアース(OlmoEarth)は、地球観測領域向けに設計された、多モードでシーケンシャルな基礎モデルである。 OlmoEarthは12のファンデーションモデルと比較して最先端のパフォーマンスを実現している。 我々はOlmoEarthを、データ収集、ラベル付け、トレーニング観察、地球観測モデルの推測のためのエンドツーエンドプラットフォームのバックボーンとして配置する。
  論文  参考訳（メタデータ） (2025-11-17T18:06:26Z)
• Towards LLM Agents for Earth Observation [63.163707376462405]
  これは、NASAの地球観測所の記事から13のトピックと17の衛星センサーに関する140のイエス/ノーの質問のベンチマークである。 Google Earth Engine APIをツールとして使用すると、LLMエージェントは58%以上のコードを実行できないため、33%の精度しか達成できない。 我々は、合成データを微調整することで、オープンモデルの失敗率を改善し、より小さなモデルの方が、はるかに大きなモデルに匹敵する精度が得られるようにした。
  論文  参考訳（メタデータ） (2025-04-16T14:19:25Z)
• DSBench: How Far Are Data Science Agents from Becoming Data Science Experts? [58.330879414174476]
  現実的なタスクでデータサイエンスエージェントを評価するためのベンチマークであるDSBenchを紹介する。 このベンチマークには、466のデータ分析タスクと、EloquenceとKaggleのコンペからソースされた74のデータモデリングタスクが含まれている。 現状のLLM, LVLM, エージェントを評価したところ, 最高のエージェントはデータ解析タスクの34.12%しか解決できず, RPG(Relative Performance Gap)は34.74%であった。
  論文  参考訳（メタデータ） (2024-09-12T02:08:00Z)
• GeoGalactica: A Scientific Large Language Model in Geoscience [95.15911521220052]
  大規模言語モデル(LLM)は、自然言語処理(NLP)における幅広いタスクを解く一般的な知識と能力で大きな成功を収めている。 我々は、LLMを地学に特化させ、さらに、地学の膨大なテキストでモデルを事前訓練し、また、カスタム収集した指導チューニングデータセットで得られたモデルを教師付き微調整(SFT)する。 我々はGeoGalacticaを65億のトークンを含む地球科学関連のテキストコーパスで訓練し、最大の地球科学固有のテキストコーパスとして保存する。 次に、100万対の命令チューニングでモデルを微調整する。
  論文  参考訳（メタデータ） (2023-12-31T09:22:54Z)
• NASA Science Mission Directorate Knowledge Graph Discovery [0.0]
  本稿では,NASAの異なる領域を表す知識グラフ(KG)を生成するパイプラインを提案する。 これらのKGは、データセット検索エンジンの基礎として使用でき、研究者の時間を節約し、新しいコネクションを見つけるのをサポートする。
  論文  参考訳（メタデータ） (2023-03-20T05:12:43Z)
• EarthNets: Empowering AI in Earth Observation [24.160463837610074]
  地球観測(EO)は、リモートセンシングデータを用いて惑星地球の状態を監視することを目的としている。 本稿では,500以上の公開データセットの総合的なレビューを行う。 モデル評価のための新しいベンチマークを構築するために,データセットを計測,ランク付け,選択することを提案する。
  論文  参考訳（メタデータ） (2022-10-10T18:09:35Z)

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。