論文の概要: Planetary Prediction Engine: Autonomous Geospatial Prediction via Intelligent Data Selection and Foundation Model Embeddings
- arxiv url: http://arxiv.org/abs/2608.26088v1
- Date: Wed, 26 Aug 2026 17:50:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:16.013845
- Title: Planetary Prediction Engine: Autonomous Geospatial Prediction via Intelligent Data Selection and Foundation Model Embeddings
- Title（参考訳）: 惑星予測エンジン:インテリジェントデータ選択と基礎モデル埋め込みによる自律的な地理空間予測
- Abstract要約: 我々は、自然言語クエリからこのエンドツーエンドワークフローを実行する自律型AIシステムであるPPE(Planetary Prediction Engine)を紹介する。
PPEはマルチモーダルデータセットをオンザフライで合成し、オープンウェブと地球観測プラットフォームにまたがる関連するco変数を検索する。
PPEは、最先端または手動で調整されたエキスパートベースラインを一貫して上回る。
- 参考スコア（独自算出の注目度）: 8.285606894669046
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Addressing critical global challenges, from food security and disaster risk to disease outbreaks and socio-economic vulnerability, demands high-fidelity geospatial modeling. However, building predictive planetary models remains bottlenecked by a fragmented data ecosystem, requiring manual data retrieval, multimodal data curation and fusion along with iterative model selection. We present the Planetary Prediction Engine (PPE), an autonomous AI system that executes this end-to-end workflow directly from natural-language queries. PPE synthesizes multimodal datasets on the fly, retrieving spatiotemporally relevant covariates across open-web and Earth observation platforms (Data Commons, Google Earth Engine) and fusing them with geospatial foundation model embeddings (PDFM, AlphaEarth). Simultaneously, it searches over task-tailored model architecture families with automated overfitting guards. Across diverse tasks, geographies, and scientific domains, PPE consistently outperforms state-of-the-art or manually tuned expert baselines. For US spatial regression, PPE improves mean $R^2$ across 21 CDC health indicators (76.8% vs. 60.0%), FEMA national risk indices (64.9% vs. 60.0%), and the Social Vulnerability Index (66.2% vs. 58.6%). For spatial downscaling in data-scarce settings, PPE integrates localized proxies to double baseline accuracy in Nigerian food security indicators ($R^2$ of 66.1% vs. 31.5%). For epidemiological nowcasting of the 2026 DRC Bundibugyo Ebola outbreak, PPE achieves a Recall@10 of 83.3% (identifying 15 of 18 newly invaded health zones across five weekly forecasts), a +10.3 percentage-point improvement over the public state-of-the-art modeling (~73%). By combining autonomous multimodal planetary data discovery with targeted model optimization, PPE lowers the technical barrier to planetary-scale analytics, enabling rapid, customized, expert-level deployment.
- Abstract（参考訳）: 食料安全保障や災害リスク、病気の発生、社会経済的脆弱性など、世界的な重要な課題に対処するためには、高忠実な地理空間モデリングが必要である。
しかし、予測惑星モデルの構築は、手動のデータ検索、マルチモーダルデータキュレーション、融合、反復モデル選択といった、断片化されたデータエコシステムによってボトルネックが残っている。
我々は、自然言語クエリから直接このエンドツーエンドワークフローを実行する自律型AIシステムであるPPE(Planetary Prediction Engine)を紹介する。
PPEは、マルチモーダルデータセットをオンザフライで合成し、オープンウェブと地球観測プラットフォーム(Data Commons、Google Earth Engine)で時空間的に関係する共変体を検索し、地理空間基盤モデル埋め込み(PDFM、AlphaEarth)と融合させる。
同時に、自動オーバーフィットガードを備えたタスク調整モデルアーキテクチャファミリを検索する。
さまざまなタスク、地理、科学領域にわたって、PPEは一貫して最先端または手動で調整された専門家ベースラインを上回っている。
米国の空間回帰では、PPEは21のCDC健康指標の平均R^2$(76.8%対60.0%)、FEMA全国リスク指標(64.9%対60.0%)、社会脆弱性指数(66.2%対58.6%)を改善している。
データスカース設定での空間的ダウンスケーリングでは、PPEは、ナイジェリアの食品セキュリティ指標(R^2$ of 66.1% vs. 31.5%)において、局所化されたプロキシを統合してベースライン精度を2倍にしている。
2026年のDRCバンディエボラ流行の疫学的な状況について、PPEは83.3%のリコール@10(5週間の予測で18の新たに侵入した健康ゾーンのうち15の特定)を達成し、パブリック・オブ・ザ・アーティファクト・モデリング(約73%)よりも+10.3ポイント改善した。
自律的なマルチモーダル惑星データ発見とターゲットモデル最適化を組み合わせることで、PPEは惑星規模の分析に対する技術的な障壁を低くし、迅速でカスタマイズされた専門家レベルのデプロイメントを可能にします。
関連論文リスト
- Modality-Decoupled Federated Learning for Privacy-Preserving Embodied Intelligence in 6G [90.42669277637026]
第6世代(6G)無線ネットワークは、大規模なインボディードインテリジェンスのための重要な基盤を提供すると期待されている。
本稿では、6Gネットワークにおけるプライバシー保護型インテリジェンスのためのモダリティ分離FLフレームワークであるFedMVLAを提案する。
論文 参考訳（メタデータ） (2026-09-09T01:36:44Z) - t-STEP: An interpretable model for Total Electron Content predictions and irregularities estimations [8.965320425114603]
GPS通信は電離圏全電子量(TEC)勾配の影響を受けている。
このギャップに対処するために,解釈可能なMLベースモデルであるt-STEPを導入し,TECを30秒の解像度で予測する。
このモデルは、太陽周期24から5.49S, 47.49Wの基地でGPS観測によって開発された。
論文 参考訳（メタデータ） (2026-06-28T23:21:37Z) - 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) - Forecasting Antimicrobial Resistance Trends Using Machine Learning on WHO GLASS Surveillance Data: A Retrieval-Augmented Generation Approach for Policy Decision Support [0.0]
抗微生物抵抗性(AMR)は、2050年までに年間1000万人が死亡すると予想される世界的な危機である。
本稿では,AMRトレンド予測とエビデンスに基づく政策決定支援のための2成分フレームワークを提案する。
XGBoostは7.07%のMAEと0.854のR-squaredで最高性能を達成し、ナイーブベースラインを83.1%上回った。
論文 参考訳（メタデータ） (2026-02-26T06:45:08Z) - Democratizing planetary-scale analysis: An ultra-lightweight Earth embedding database for accurate and flexible global land monitoring [19.019853798955513]
ESDは、2000年から2024年までの25年間にわたる、超軽量で30mの地球埋め込みデータベースである。
データセットは、生のアーカイブと比較してデータボリュームが340倍に減少する。
頑丈な数発の学習能力と長手一貫性により、ESDは惑星スケールの研究を民主化するための汎用的な基盤を提供する。
論文 参考訳（メタデータ） (2026-01-16T10:59:43Z) - Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。
We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
論文 参考訳（メタデータ） (2025-11-04T17:22:22Z) - Application and Validation of Geospatial Foundation Model Data for the Prediction of Health Facility Programmatic Outputs -- A Case Study in Malawi [0.7669892939042836]
Geospatial Foundation Models (GeoFMs) は、多様な空間的、時間的、行動的なデータを合成することで、有望な道を提供する。
本研究は、マラウイにおける15の定期的な健康プログラム出力をモデル化するための3つのGeoFM埋め込み源の予測性能について評価した。
論文 参考訳（メタデータ） (2025-10-29T20:53:07Z) - Federated Learning for Epileptic Seizure Prediction Across Heterogeneous EEG Datasets [2.5069344340760717]
本稿では,4つのパブリックデータセット(Siena,CHB-MIT,Helsinki,NCH)にまたがる単一EEGチャネルを用いた発作予測のためのFLについて検討する。
プライバシ保護のグローバルな正規化を実装し,各クライアントがラウンドごとのデータの固定サイズのランダムサブセットをトレーニングし,アグリゲーション中に同等のコントリビューションを確保するランダムサブセットアグリゲーション戦略を提案する。
以上の結果から, 局所学習モデルではサイト全体の一般化が困難であり, 標準重み付きFedAvgは高度に歪んだ性能が得られる(CHB-MITでは89.0%, ヘルシンキでは50.8%, NCHでは50.6%)。
論文 参考訳（メタデータ） (2025-08-11T16:36:31Z) - ReconMOST: Multi-Layer Sea Temperature Reconstruction with Observations-Guided Diffusion [48.540756751934836]
ReconMOSTは多層水温再構築のためのデータ駆動誘導拡散モデルフレームワークである。
提案手法はMLベースのSST再構成をグローバルな多層設定に拡張し,92.5%以上の欠落データを処理する。
論文 参考訳（メタデータ） (2025-06-12T06:27:22Z) - How Well Can Modern LLMs Act as Agent Cores in Radiology Environments? [54.36730060680139]
RadA-BenchPlatは、放射線学環境での大規模言語モデル(LLM)のパフォーマンスをベンチマークする評価プラットフォームである。
また、エージェント駆動型タスク解決ツールの10のカテゴリを定義し、7つの主要なLCMを評価している。
論文 参考訳（メタデータ） (2024-12-12T18:20:16Z) - ORBIT: Oak Ridge Base Foundation Model for Earth System Predictability [10.88886669820126]
我々はOak Ridge Base Foundation Model for Earth System Predictability (ORBIT)を紹介する。
ORBITは、その種の最大のモデルであり、現在の気候AIファンデーションモデルサイズを1000倍に超えている。
Frontierスーパーコンピュータの性能スケーリングテストでは、ORBITは684ペタFLOPSから1.6ペタFLOPSの持続スループットを達成した。
論文 参考訳（メタデータ） (2024-04-23T03:39:57Z) - Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳（メタデータ） (2023-09-12T13:28:06Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z)
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。