論文の概要: MetaPerch: Learning from metadata for bioacoustics foundation models
- arxiv url: http://arxiv.org/abs/2607.14072v1
- Date: Wed, 15 Jul 2026 17:42:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-16 16:39:12.853023
- Title: MetaPerch: Learning from metadata for bioacoustics foundation models
- Title（参考訳）: MetaPerch: バイオ音響基礎モデルのメタデータから学ぶ
- Abstract要約: 本稿では,9つのメタデータソースが17のバイオ音響データセットに与える影響について実証的研究を行った。
複数の挑戦領域にまたがる強力な種識別性能を実現する新しい基盤モデルであるMetaPerchを紹介する。
- 参考スコア（独自算出の注目度）: 4.5242726521122405
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bioacoustic foundation models rely on large-scale citizen science platforms like Xeno-Canto for geographically and ecologically diverse data. Recent work has shown that supervision alone can produce SotA species detection models when trained on this large-scale data -- however, there remains unutilized potential in the form of recording metadata readily available within these community-driven data hubs. In this work, we explore the use of metadata -- such as location and time -- as auxiliary supervision signals, allowing the model to leverage species-metadata correlations in its learned representation. Auxiliary metadata losses provide additional information beyond vocalizations alone that can encourage a richer, more robust representation that generalizes better to species distribution and acoustic domain shifts -- important challenges for deployment in real-world passive acoustic monitoring (PAM) settings. We introduce MetaPerch, a new foundation model that achieves strong species identification performance across multiple challenging domains and present an extensive empirical study of the effects of 9 diverse metadata sources on 17 bioacoustic datasets.
- Abstract（参考訳）: 生物音響基盤モデルは、地理的および生態学的に多様なデータに対して、Xeno-Cantoのような大規模な市民科学プラットフォームに依存している。
最近の研究は、この大規模なデータに基づいて訓練された場合、監督だけでSotA種検出モデルを作成することができることを示している。
本研究では, 位置情報や時刻などのメタデータを補助的な監視信号として利用し, モデルが学習表現における種とメタデータの相関を活用できるようにする。
補助メタデータの損失は、より豊かで堅牢な表現を促進し、種の分布やアコースティックなドメインシフトを一般化する、発声以外の情報を提供する。
本稿では,複数の課題領域にまたがる強力な種識別性能を実現する基盤モデルであるMetaPerchを紹介する。
関連論文リスト
- 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) - TabPFN-Wide: Continued Pre-Training for Extreme Feature Counts [2.3448377994589644]
既存のモデルを拡張する戦略として,事前にカスタマイズしたデータから抽出した合成データの事前学習を継続する手法を提案する。
結果のモデルであるTabPFN-Wideは、ノイズに対する堅牢性を改善しながら、ベースモデルのパフォーマンスを一致または超過する。
論文 参考訳（メタデータ） (2025-10-07T17:28:49Z) - What Matters for Bioacoustic Encoding [34.118070876417065]
本研究は,生物音響学の側面を包括する大規模実証研究である。
既存のベンチマークと提案ベンチマークで最先端のエンコーダを得る。
具体的には、種分類、検出、個人ID、発声レパートリー発見などのタスクを含む26のデータセットにまたがって、自己教師付き事前訓練に続いて、教師付き後訓練を行う。
論文 参考訳（メタデータ） (2025-08-15T23:52:34Z) - Towards Scalable and Generalizable Earth Observation Data Mining via Foundation Model Composition [0.0]
リモートセンシングと一般ビジョンデータセットに事前訓練された基礎モデルを効果的に組み合わせて性能を向上させることができるかを検討する。
その結果、より小さな事前訓練モデルの特徴レベルのアンサンブルは、はるかに大きなモデルの性能に適合するか、超える可能性があることがわかった。
この研究は、よりコンパクトなモデルにアンサンブルの強度を伝達するために知識蒸留を適用する可能性を強調している。
論文 参考訳（メタデータ） (2025-06-25T07:02:42Z) - SSL4Eco: A Global Seasonal Dataset for Geospatial Foundation Models in Ecology [6.4737780860379806]
自己教師付き学習は、ラベルのないデータからの学習表現を可能にした。
これらのモデルは、高い人間の活動領域に偏ったデータセットに基づいて訓練されることが多い。
植生の季節性を世界規模でより正確に把握するために, 簡易な表現インフォームドサンプリング戦略を提案する。
論文 参考訳（メタデータ） (2025-04-25T10:58:44Z) - animal2vec and MeerKAT: A self-supervised transformer for rare-event raw audio input and a large-scale reference dataset for bioacoustics [2.1019401515721583]
animal2vecは、未ラベルの音声から学習し、ラベル付きデータでその理解を洗練する、解釈可能な大きなトランスフォーマーモデルである。
Meerkat Audio Transcriptsは、ヒト以外の地上哺乳動物に関する最大のラベル付きデータセットである。
我々のモデルは,MeerKATの既存の手法と利用可能な NIPS4Bplus Birdong データセットより優れている。
論文 参考訳（メタデータ） (2024-06-03T12:11:01Z) - GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。
GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。
本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
論文 参考訳（メタデータ） (2024-06-01T08:01:05Z) - Real Acoustic Fields: An Audio-Visual Room Acoustics Dataset and Benchmark [65.79402756995084]
Real Acoustic Fields (RAF)は、複数のモードから実際の音響室データをキャプチャする新しいデータセットである。
RAFは密集した室内音響データを提供する最初のデータセットである。
論文 参考訳（メタデータ） (2024-03-27T17:59:56Z) - Impact of Noisy Supervision in Foundation Model Learning [91.56591923244943]
本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。
雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
論文 参考訳（メタデータ） (2024-03-11T16:22:41Z) - infoVerse: A Universal Framework for Dataset Characterization with
Multidimensional Meta-information [68.76707843019886]
infoVerseは、データセットの特徴付けのための普遍的なフレームワークである。
infoVerseは、様々なモデル駆動メタ情報を統合することで、データセットの多次元特性をキャプチャする。
実世界の3つのアプリケーション(データプルーニング、アクティブラーニング、データアノテーション)において、infoVerse空間で選択されたサンプルは、強いベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2023-05-30T18:12:48Z) - Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。
CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。
睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
論文 参考訳（メタデータ） (2023-05-30T08:24:01Z) - Learning Signal-Agnostic Manifolds of Neural Fields [50.066449953522685]
ニューラルネットワークを利用して、画像、形状、オーディオ、およびモーダル・オーディオヴィジュアル領域の基盤となる構造を捉える。
GEMの基底多様体を横切ることで、信号領域に新しいサンプルを生成できることが示される。
論文 参考訳（メタデータ） (2021-11-11T18:57:40Z) - Unsupervised Domain Adaptive Learning via Synthetic Data for Person
Re-identification [101.1886788396803]
人物再識別(re-ID)は、ビデオ監視に広く応用されているため、ますます注目を集めている。
残念なことに、主流のディープラーニング手法では、モデルをトレーニングするために大量のラベル付きデータが必要です。
本稿では,コンピュータゲーム内で合成されたre-IDサンプルを自動的に生成するデータコレクタを開発し,同時にアノテートするデータラベラを構築した。
論文 参考訳（メタデータ） (2021-09-12T15:51:41Z)
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。