論文の概要: STeMP: Spatio-Temporal Modelling Protocol
- arxiv url: http://arxiv.org/abs/2607.20592v1
- Date: Wed, 22 Jul 2026 15:09:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-24 18:26:25.178785
- Title: STeMP: Spatio-Temporal Modelling Protocol
- Title（参考訳）: STeMP:時空間モデリングプロトコル
- Abstract要約: STeMPは、時間的に機械学習モデルを報告するためのプロトコルである。
重要な決定とパラメータを示すことによって、モデリングプロセス中にガイダンスを提供する。
プロトコルはGitHubでホストされ、Rパッケージが付属している。
- 参考スコア（独自算出の注目度）: 0.6215162011761516
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spatio-temporal machine-learning modelling is an important tool in environmental research. However, machine-learning models are highly sensitive to both the characteristics of the training data, such as its distribution, and methodological choices, including the cross-validation strategy. Each decision has impact and implications on the model itself as well as the estimation of the model quality and applicability for certain purposes. Taking into account the large role of machine-learning based maps of the environment in science and their transfer into practice, transparent reporting of spatio-temporal models, ideally using standardized model protocols, is essential to enable trust, transparency and comparability. However, such protocols are currently lacking for spatio-temporal modelling. We propose STeMP (Spatio-Temporal Modelling Protocol) to fill this gap by serving two purposes: standardized reporting to understand the model functioning as well as providing guidance during the modelling process by pointing at critical decisions and parameters. The protocol is structured in three sections: Overview, Model and Prediction. The Overview section contains metadata, while the Model and Prediction sections go into detail, describing predictors, evaluation and software, and further relevant elements of the modelling workflow. The protocol definition is hosted on GitHub and accompanied by an R-package (https://github.com/LOEK-RS/STeMP). The R-package contains a web application that can be used to fill the protocol either manually or in a semi-automated way from provided modelling objects. Warnings are returned from the protocol when common pitfalls are encountered, which may help authors as a guide through the modelling process but also support reviewers in the assessment of modelling studies. Via GitHub, incorporation of contributions and feedback from the community is encouraged.
- Abstract（参考訳）: 時空間機械学習モデリングは環境研究において重要なツールである。
しかし、機械学習モデルは、その分布のようなトレーニングデータの特徴と、クロスバリデーション戦略を含む方法論的選択の両方に非常に敏感である。
各決定はモデル自体に影響を与え、意味を持ち、特定の目的のためにモデルの品質と適用性を評価する。
科学における環境の機械学習に基づく地図とそれらの実践への移行の大きな役割を考慮すると、標準化されたモデルプロトコルを理想として用いた時空間モデルの透過的な報告は、信頼、透明性、可視性を実現するために不可欠である。
しかし、このようなプロトコルは現在、時空間モデリングに欠けている。
本稿では,このギャップを埋めるためにSTeMP(Spatio-Temporal Modelling Protocol)を提案する。
プロトコルは、概要、モデル、予測の3つのセクションで構成されています。
概要のセクションにはメタデータが含まれており、モデルと予測のセクションは、予測器、評価とソフトウェア、さらに関連するモデリングワークフローの要素を記述する。
プロトコル定義はGitHubにホストされ、Rパッケージ(https://github.com/LOEK-RS/STeMP)が付属している。
Rパッケージには、提供されたモデリングオブジェクトから手動または半自動化された方法でプロトコルを満たすのに使用できるWebアプリケーションが含まれている。
一般的な落とし穴が発生すると、警告はプロトコルから返されるため、著者はモデリングプロセスのガイドとしてだけでなく、モデリング研究の評価においてレビュアーをサポートすることができる。
GitHubでは、コミュニティからのコントリビューションとフィードバックが奨励されている。
関連論文リスト
- Learning POMDP World Models from Observations with Language-Model Priors [52.11151769796862]
部分的に観測可能なマルコフ決定プロセス(POMDP)は、内部世界モデルのための柔軟なモデリングクラスを提供する。
先行知識を活用することで,言語モデルがコストのかかる相互作用を低減できるかどうかを問う。
我々は,emphPinductor が LLM ベースの POMDP 学習手法の性能とサンプル効率に一致することを示す。
論文 参考訳（メタデータ） (2026-05-13T16:18:15Z) - A Lightweight Library for Energy-Based Joint-Embedding Predictive Architectures [58.26804959656713]
JEPA(Joint-Embedding Predictive Architectures)を用いた表現と世界モデルを学習するためのオープンソースのライブラリであるEB-JEPAを提案する。
JEPAsは、ピクセル空間ではなく表現空間で予測することを学び、生成モデリングの落とし穴を避ける。
これらの表現がどのように行動条件付き世界モデルを駆動し、Two Roomsナビゲーションタスクで97%の計画成功率を達成するかを示す。
論文 参考訳（メタデータ） (2026-02-03T14:56:24Z) - Model Correlation Detection via Random Selection Probing [62.093777777813756]
既存の類似性に基づく手法では、モデルパラメータにアクセスしたり、しきい値なしでスコアを生成する必要がある。
本稿では,モデル相関検出を統計的テストとして定式化する仮説テストフレームワークであるランダム選択探索(RSP)を紹介する。
RSPは相関の証拠を定量化する厳密なp-値を生成する。
論文 参考訳（メタデータ） (2025-09-29T01:40:26Z) - Measuring the stability and plasticity of recommender systems [0.4460583138505672]
本稿では,レコメンデーションモデルが再訓練されたときにどのように振る舞うかを研究する方法論を提案する。
その考え方は、過去のパターン – 安定性 – を維持する能力に応じてアルゴリズムをプロファイリングすることであり、一方で、変化 – 可塑性 – に適応することである。
予備的な結果は、アルゴリズムの種類によって安定性と可塑性のプロファイルが異なることを示唆している。
論文 参考訳（メタデータ） (2025-08-05T22:15:43Z) - Model Selection for Off-policy Evaluation: New Algorithms and Experimental Protocol [15.314278088209534]
理論的保証のあるモデルフリーおよびモデルベースセレクタを新たに開発する。
従来のモデルフリープロトコルと比較して、新しいプロトコルではより安定した生成と候補値関数の制御が可能である。
我々の新しいモデルフリーセレクタであるLSTD-Tournamentは有望な経験的性能を示す。
論文 参考訳（メタデータ） (2025-02-11T23:40:55Z) - This Looks Better than That: Better Interpretable Models with ProtoPNeXt [14.28283868577614]
原型部品モデルは、コンピュータビジョンのためのブラックボックスディープラーニングモデルに代わる一般的な解釈可能な代替品である。
原型モデルのコンポーネントを統合するための新しいフレームワーク、ProtoPNeXtを作成します。
論文 参考訳（メタデータ） (2024-06-20T18:54:27Z) - A Control-Centric Benchmark for Video Prediction [69.22614362800692]
本稿では,アクション条件付きビデオ予測のベンチマークを,制御ベンチマークの形式で提案する。
私たちのベンチマークには、11のタスクカテゴリと310のタスクインスタンス定義を備えたシミュレーション環境が含まれています。
次に、ベンチマークを活用して、スケールするモデルサイズ、トレーニングデータの量、モデルアンサンブルの影響を調査します。
論文 参考訳（メタデータ） (2023-04-26T17:59:45Z) - Evaluating Representations with Readout Model Switching [19.907607374144167]
本稿では,最小記述長(MDL)の原理を用いて評価指標を考案する。
我々は、読み出しモデルのためのハイブリッド離散および連続値モデル空間を設計し、それらの予測を組み合わせるために切替戦略を用いる。
提案手法はオンライン手法で効率的に計算でき,様々なアーキテクチャの事前学習された視覚エンコーダに対する結果を示す。
論文 参考訳（メタデータ） (2023-02-19T14:08:01Z) - Models, Pixels, and Rewards: Evaluating Design Trade-offs in Visual
Model-Based Reinforcement Learning [109.74041512359476]
視覚的MBRLアルゴリズムにおける予測モデルの設計決定について検討する。
潜在空間の使用など、しばしば重要と見なされる設計上の決定は、タスクのパフォーマンスにはほとんど影響しないことが分かりました。
我々は,この現象が探索とどのように関係しているか,および標準ベンチマークにおける下位スコーリングモデルのいくつかが,同じトレーニングデータでトレーニングされた場合のベストパフォーマンスモデルと同等の性能を発揮するかを示す。
論文 参考訳（メタデータ） (2020-12-08T18:03:21Z) - Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。
トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
論文 参考訳（メタデータ） (2020-10-27T17:54:12Z) - Adversarial Infidelity Learning for Model Interpretation [43.37354056251584]
本稿では,モデル解釈のためのモデル非依存能率直接(MEED)FSフレームワークを提案する。
我々のフレームワークは、正当性、ショートカット、モデルの識別可能性、情報伝達に関する懸念を緩和する。
我々のAILメカニズムは、選択した特徴と目標の間の条件分布を学習するのに役立ちます。
論文 参考訳（メタデータ） (2020-06-09T16:27:17Z)
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。