論文の概要: Neural-Network Maxent: a general extension with learned nonlinearity, applied to time-series for Desert Locust distribution modelling

• arxiv url: http://arxiv.org/abs/2609.03603v1
• Date: Thu, 03 Sep 2026 09:48:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:39.007838
• Title: Neural-Network Maxent: a general extension with learned nonlinearity, applied to time-series for Desert Locust distribution modelling
• Title（参考訳）: Neural-Network Maxent: 学習された非線形性を持つ一般化拡張をデザートロカスト分布モデリングの時系列に適用する
• Abstract要約: RNN Maxentは、固定された特徴辞書をニューラルネットワークに置き換えるMaxentフレームワークの拡張である。 ERA5 Land, MODIS, Sentinel 3から得られた50日間の環境時系列を用いて, 砂漠のロカストに適した生息地をマッピングした。
• 参考スコア（独自算出の注目度）: 36.94429692322632
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Species Distribution Modelling (SDM) is essential for understanding how environmental conditions shape biodiversity, particularly for destructive pests such as the Desert Locust (Schistocerca gregaria), whose breeding dynamics are tightly coupled to rapidly evolving environmental conditions. Maxent has become the dominant method for presence-only data, but its reliance on a linear combination of hand chosen feature transforms limits its ability to capture the nonlinear, temporal relationships common in ecological monitoring, where covariates such as precipitation, soil moisture, and vegetation indices evolve meaningfully over time. Standard implementations flatten time-series covariates into independent features, discarding sequential structure that carries critical signal. We introduce RNN Maxent, an extension of the Maxent framework that replaces the fixed feature dictionary with a neural network, specifically a Gated Recurrent Unit (GRU), trained end to end via backpropagation. The approach preserves Maxent's presence only statistical foundations, background normalization, and probability calibration, differing only in that the nonlinearity is learned from data rather than fixed in advance. We apply RNN Maxent to map suitable habitat for the Desert Locust using 50 day environmental time series derived from ERA5 Land, MODIS, and Sentinel 3, maintaining a 7 day gap between covariates and presence records to yield forecasting behavior. Compared against standard Maxent, RNN Maxent improves performance across metrics (ROC AUC 0.862 std 0.036 vs. 0.792; F1 0.671 std 0.056 vs. 0.590).
• Abstract（参考訳）: 種分布モデル (SDM) は環境条件が生物多様性をいかに形成するかを理解するのに不可欠であり、特に繁殖動態が急速に進化する環境条件と密接に結びついているデザート・ロカスト (Schistocerca gregaria) のような破壊的な害虫に対して重要である。 マゼントは存在のみのデータの主要な方法となっているが、手選択された特徴の線形結合に依存して、降水、土壌水分、植生指標などの共変が時間とともに有意義に進化する環境モニタリングで一般的な非線形、時間的関係を捉える能力を制限する。 標準実装 フラットな時系列は独立した特徴に変化し、重要な信号を運ぶシーケンシャルな構造を捨てる。 我々は、固定機能辞書をニューラルネットワーク、特にGRU(Gated Recurrent Unit)に置き換えるMaxentフレームワークの拡張であるRNN Maxentを紹介した。 この手法はマクセントの存在を統計的基礎、背景正規化、確率校正のみに保ち、非線型性は予め固定されたデータではなく、データから学習されるという点でのみ異なる。 ERA5 Land, MODIS, Sentinel 3から派生した50日間の環境時系列を用いて, RNN Maxentを用いて砂漠のロカストに適した生息地をマップし, 共変量と存在記録との7日間のギャップを保ち, 予測行動を得た。 標準のMaxentと比較して、RNN Maxentはメトリクス間のパフォーマンスを改善する(ROC AUC 0.862 std 0.036 vs. 0.792; F1 0.671 std 0.056 vs. 0.590)。

関連論文リスト

• SOTER: A Generative Time-Series Foundation Model for Wearable Human Physiological Signals [29.86069351223442]
  本稿では, クロスチャネル結合, スペクトル誘導専門家専門化, および1つの事前学習フレームワーク内での連続潜時進化を統一するウェアラブル生理時系列生成基盤モデルSOTERを提案する。 我々は,5つの公開生理学的データセットから226億のタイムポイントを事前トレーニングし,分布外ゼロショット予測,フリーズエンコーダ線形プローブ分類,ウェアラブルベンチマークにおける連続的インキュベーションを含む,同じトレーニング済みモデルを評価する。
  論文  参考訳（メタデータ） (2026-09-15T08:11:03Z)
• PHINN: Persistent Homology Inspired Neural Network for Rare-Event Time Series Generation [0.0]
  本稿では,動的ベティ曲線を条件付け信号として用いたフローマッチングフレームワークであるPHINNを紹介する。 ファイナンシャル、疫学、マルチモーダルのベンチマークでは、PHINNはトポロジカル忠実度において統計的および拡散ベースラインを上回っている。 すべての結果は95%の信頼区間を持つ。
  論文  参考訳（メタデータ） (2026-06-13T19:56:57Z)
• Recovering Physical Dynamics from Discrete Observations via Intrinsic Differential Consistency [12.266189649117003]
  我々は地域の監督をグローバルな構造的制約に置き換える。 この特性からの偏差が2つの目的に作用する時間条件のセカント速度場を訓練する。 トレーニング正則化器として、時間スケールで一貫して構成されるフローに仮説空間を限定する。
  論文  参考訳（メタデータ） (2026-05-08T20:24:32Z)
• 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)
• Differentiated Thyroid Cancer Recurrence Classification Using Machine Learning Models and Bayesian Neural Networks with Varying Priors: A SHAP-Based Interpretation of the Best Performing Model [0.0]
  甲状腺癌のDTC再発は主要な公衆衛生上の問題である。 本研究は, 383名の患者を対象としたデータセットを用いて, DTC再分類のための包括的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-07-25T06:31:31Z)
• Interpretable Deep Regression Models with Interval-Censored Failure Time Data [1.2993568435938014]
  間隔制限付きデータの深層学習手法は、まだ探索が過小評価されており、特定のデータタイプやモデルに限られている。 本研究は、部分線形変換モデルの幅広いクラスを持つ区間知覚データに対する一般的な回帰フレームワークを提案する。 我々の手法をアルツハイマー病神経イメージングイニシアチブデータセットに適用すると、従来のアプローチと比較して新しい洞察と予測性能が向上する。
  論文  参考訳（メタデータ） (2025-03-25T15:27:32Z)
• Applying the maximum entropy principle to neural networks enhances multi-species distribution models [5.6578808468308335]
  我々は、ニューラルネットワークを利用して種間の共有機能を自動的に学習するDeepMaxentを提案する。 我々は、その空間的サンプリングバイアスで知られるベンチマークデータセットでDeepMaxentを評価する。 以上の結果から,DeepMaxentはすべての地域やグループでMaxentよりも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） (2024-12-26T13:47:04Z)
• CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
  ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。 次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
  論文  参考訳（メタデータ） (2024-11-10T02:40:06Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Near-optimal inference in adaptive linear regression [60.08422051718195]
  最小二乗法のような単純な方法でさえ、データが適応的に収集されるときの非正規な振る舞いを示すことができる。 我々は,これらの分布異常を少なくとも2乗推定で補正するオンラインデバイアス推定器のファミリーを提案する。 我々は,マルチアームバンディット,自己回帰時系列推定,探索による能動的学習などの応用を通して,我々の理論の有用性を実証する。
  論文  参考訳（メタデータ） (2021-07-05T21:05:11Z)
• Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
  本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。 我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
  論文  参考訳（メタデータ） (2020-12-03T10:17:30Z)

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。