論文の概要: Scalable and Trustworthy Earth Observation Foundation Models

• arxiv url: http://arxiv.org/abs/2607.07758v1
• Date: Wed, 08 Jul 2026 14:31:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.289336
• Title: Scalable and Trustworthy Earth Observation Foundation Models
• Title（参考訳）: スケーラブルで信頼できる地球観測基盤モデル
• Abstract要約: ファンデーションモデル(FM)は、機械学習を独立したタスク固有モデルから、幅広いデータに基づいて事前訓練された汎用モデルに変換した。 この章は、リモートセンシング(RS)におけるFMのパラダイムを定義し、現在のモデルランドスケープを合成する。 この章は、単一の地理空間基盤モデルが普遍的に最良のものではないことを示す最近のベンチマークエビデンスも含んでいる。
• 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: Foundation models (FMs) have transformed machine learning from isolated task-specific model development toward general-purpose models pretrained on broad data and adapted to multiple downstream tasks. Earth observation (EO) is an important domain for this paradigm because satellite and airborne archives are large, high-revisit, and increasingly multimodal, while reliable field labels are often sparse. Remote sensing foundation models (RSFMs) cannot be transferred reliably/optimally without domain-specific adaptation. This is because EO data are governed by measurement physics and operational decision constraints. This chapter reviews the design principles arising from these domain-specific constraints. It first defines the FMs paradigm in remote sensing (RS), then synthesizes the current model landscape, pretraining objectives, architecture designs, downstream adaptation and trustworthiness requirements. The chapter also incorporates recent benchmark evidence showing that no single geospatial foundation model is universally best and that inconsistent evaluation remains a major issue to fair comparison and reliable deployment. In addition, two brief environmental monitoring case studies; physics-informed spectral targeted masking for harmful algal bloom prediction and reinforcement learning for adaptive environmental monitoring station selection to illustrate the FMs domain-guided principles in practice. This chapter posits that next-generation RSFMs should be evaluated not only by benchmark accuracy, but also by modality-aware transfer and physically plausible representations for trustworthy EO decisions.
• Abstract（参考訳）: ファンデーションモデル(FM)は、機械学習を独立したタスク固有のモデル開発から、幅広いデータに基づいて事前訓練された汎用モデルに変換し、複数の下流タスクに適応させた。 地球観測(EO)はこのパラダイムにとって重要な領域である。衛星と空中のアーカイブは大きく、高解像度で、ますます多モード化され、信頼性の高いフィールドラベルは希少である。 リモートセンシング基礎モデル(RSFM)は、ドメイン固有の適応なしに確実かつ最適に転送することはできない。 これは、EOデータは測定物理と運用上の決定制約によって管理されるためである。 この章では、これらのドメイン固有の制約から生じる設計原則についてレビューする。 まず、FMのパラダイムをリモートセンシング(RS)で定義し、次に現在のモデル景観を合成し、目標、アーキテクチャ設計、下流適応、信頼性要件を事前訓練する。 この章ではまた、単一の地理空間基盤モデルが普遍的に最適ではないこと、不整合性評価が公正な比較と信頼性のあるデプロイメントにおいて大きな問題であることを示す最近のベンチマークエビデンスも組み込まれている。 さらに,環境モニタリングのケーススタディとして,有害な藻類の開花予測のための物理インフォーマルなスペクトル目標マスキングと,適応型環境監視局選択のための強化学習の2つが,FMsドメイン誘導の原則を実証した。 この章は、次世代RSFMは、ベンチマークの精度だけでなく、モダリティを意識した転送や、信頼できるEO決定のための物理的に妥当な表現によって評価されるべきである、と示唆している。

関連論文リスト

• IPM-FM: A Foundation Model with Consensus Feature Selection for Industrial Process Monitoring [59.59850511287819]
  産業プロセス監視基盤モデル(IPM-FM)を提案する。 まず、自己教師付き事前学習を通じて、ラベルのない産業プロセスデータから汎用的な表現を学習する。 少数のタスクラベル付きデータを使用して特定の監視タスクに適応し、最終的に校正された予測を生成する。
  論文  参考訳（メタデータ） (2026-09-08T07:43:04Z)
• Wireless Foundation Models: State-of-the-Art and Open Challenges [8.033625328567284]
  無線基礎モデル(WFM)は、大規模無線データから再利用可能な表現を学習するための有望なアプローチとして登場した。 このサーベイは物理層アプリケーションのためのWFMの系統的解析を提供する。
  論文  参考訳（メタデータ） (2026-09-04T04:26:04Z)
• The Art of Interrogation: Consistency Amplifies Factuality in Spatial Reasoning [65.67266333751569]
  現在のLRM(Large Reasoning Models)は、空間推論タスクにおいて顕著な汎用性を示すが、性能は著しく劣る。 本研究では,内的推論プロセスを対象とした自己指導型強化学習フレームワークを提案する。 このラベルのない整合性トレーニングは,地道的な監督によって訓練されたモデルの精度にアプローチし,多様なタスクやデータ領域にまたがる同様の一般化を実現することを示す。
  論文  参考訳（メタデータ） (2026-06-10T10:50:06Z)
• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• Parameter-Efficient Adaptation of Pre-Trained Vision Foundation Models for Active and Passive Seismic Data Denoising [4.127374559128319]
  高解像度地下イメージングと連続した地球観測の需要は、活動的および受動的地震データを急速に増加させてきた。 この拡張により、特に信号の忠実性を維持する必要がある場合、複雑なノイズ抑制がますます困難になる。 スクラッチから事前訓練された地震基盤モデルは、膨大なドメイン固有データと相当な計算を必要とする。 本研究では、ファインチューニングによる物理タスクのための汎用ビジョン基礎モデル(VFM)を再利用する効率的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-30T15:28:51Z)
• PoseFM: Relative Camera Pose Estimation Through Flow Matching [0.0]
  フローマッチング(FM)を用いた単眼フレーム間VOを生成タスクとして再構成するフレームワークであるPoseFMを提案する。 FM を利用して,カメラの動きを点推定ではなく分布としてモデル化し,連続時間ODE を用いて雑音をリアルなポーズ予測に変換する。 評価において,PoseFMはTartanAir,KITTI,TUM-RGBDベンチマークに対して高い性能を示し,トラジェクトリ上では最小の絶対軌道誤差(ATE)を達成した。
  論文  参考訳（メタデータ） (2026-04-24T08:36:53Z)
• Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
  地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。 本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。 本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。 結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-04-20T11:40:39Z)
• The Seismic Wavefield Common Task Framework [4.588878997984687]
  地震学は国家の予測と復興において根本的な課題に直面している。 最近の機械学習の取り組みは約束を提供するが、適切な特徴の欠如によって進歩は明らかでない。 地震波場のためのMLのための共通タスクフレームワーク(CTF)を提案する。
  論文  参考訳（メタデータ） (2025-12-22T23:04:03Z)
• VFMF: World Modeling by Forecasting Vision Foundation Model Features [67.09340259579761]
  本稿では,視覚基礎モデルの特徴空間における自己回帰フローマッチングを行う生成予測器を提案する。 この潜伏情報の方がPCAベースの代替案よりも効果的であることを示す。 一致したアーキテクチャと計算により、本手法はすべてのモダリティにおける回帰よりもシャープで正確な予測を生成する。
  論文  参考訳（メタデータ） (2025-12-12T02:10:05Z)
• 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)
• The View From Space: Navigating Instrumentation Differences with EOFMs [0.0]
  地球観測ファウンデーションモデル(EOFM)は、リモートセンシングやその他の地球観測データを大量に処理し、多くの重要な地球観測タスクに影響を及ぼすツールとして広く普及している。 出現するトレンドは、事前学習されたモデルの出力を「埋め込み」として利用し、類似性検索やコンテンツ固有のクエリといった一般的なタスクに使用する高次元データを要約する。 ほとんどのEOFMモデルは、データの単一のモダリティのみに基づいて訓練され、異なるモダリティにわたるマッチングバンドによって適用またはベンチマークされる。 多様なセンサーアーキテクチャが内部表現に与える影響は、既存の研究から明らかでない。
  論文  参考訳（メタデータ） (2025-10-01T00:53:45Z)
• On the Efficiency and Robustness of Vibration-based Foundation Models for IoT Sensing: A Case Study [7.0723456126359245]
  本稿では,(クラスの)IoTアプリケーションにおける実行時推論の堅牢性を改善するために,未ラベルのセンシングデータで事前学習した振動ベースファンデーションモデル(FM)の可能性を示す。 音響・地震探査を用いた車両分類を応用したケーススタディが提案されている。
  論文  参考訳（メタデータ） (2024-04-03T05:04:06Z)

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。