論文の概要: A Machine Learning API for Earth Observation Data Cubes Based on openEO

• arxiv url: http://arxiv.org/abs/2609.13453v1
• Date: Fri, 11 Sep 2026 19:14:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.327521
• Title: A Machine Learning API for Earth Observation Data Cubes Based on openEO
• Title（参考訳）: OpenEOに基づく地球観測データキューブのための機械学習API
• Abstract要約: 本稿では、モデル、モデルアクション(トレーニング、チューニング、推論、検証)、モデル管理の3段階からなるopenEOのためのプロセスレベルMLを提案する。 RとPythonの3つのプロトタイプ実装は、様々な技術スタックで実現可能であることを示している。
• 参考スコア（独自算出の注目度）: 0.036944296923226316
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Earth Observation (EO) data are increasingly organized as spatio-temporal data cubes, while machine learning (ML) methods operate on tabular feature matrices or structured tensor inputs. This mismatch forces platform-specific transformations that are difficult to reproduce or transfer across cloud infrastructures. The openEO specification provides a unified interface for EO data access and processing across heterogeneous backends, but lacks a standardized approach for ML integration. We propose a process-level ML specification for openEO structured into three stages: model initialization, model actions (training, tuning, inference, validation), and model management. It supports classical algorithms such as Random Forest and SVM, as well as deep learning architectures for time-series and spatial patch-based modeling, including TempCNN, Temporal Attention Encoders, and foundation model inference. Three prototype implementations in R and Python demonstrate feasibility across diverse technology stacks. A crop type mapping use case demonstrates cross-backend interoperability by submitting an identical process graph to independent R and Python backends and comparing predictions and evaluation metrics. Two further use cases demonstrate deep learning on time series and foundation model inference, each executed on a dedicated backend. The prototypes reveal, however, that full cross-backend portability requires deeper harmonization of serialization formats and execution semantics than the process level alone can enforce; backend library versions and preprocessing conventions outside the specification's boundary also affect reproducibility. Addressing both through explicit backend conformance profiles represents the most important near-term direction. The specification advances the reproducibility, portability, and accessibility of ML workflows on EO data cubes across cloud platforms.
• Abstract（参考訳）: 地球観測(EO)データは時空間データキューブとしてますます整理され、マシンラーニング(ML)メソッドは表の特徴行列や構造化テンソル入力で動作する。 このミスマッチは、クラウドインフラストラクチャ間の再生や転送が難しいプラットフォーム固有の変換を強制します。 OpenEO仕様は、異種バックエンド間のEOデータアクセスと処理のための統一されたインターフェースを提供するが、ML統合のための標準化されたアプローチは欠如している。 本稿では、モデル初期化、モデルアクション(トレーニング、チューニング、推論、検証)、モデル管理の3段階からなるopenEOのプロセスレベルML仕様を提案する。 ランダムフォレストやSVMといった古典的なアルゴリズムや、TempCNN、テンポラルアテンションエンコーダ、ファンデーションモデル推論など、時系列や空間パッチベースのモデリングのためのディープラーニングアーキテクチャをサポートしている。 RとPythonの3つのプロトタイプ実装は、様々な技術スタックで実現可能であることを示している。 crop型マッピングのユースケースでは、同一のプロセスグラフを独立したRとPythonバックエンドに送信し、予測と評価メトリクスを比較することで、バックエンド間の相互運用性を示す。 さらに2つのユースケースは、時系列とファンデーションモデル推論でディープラーニングを示し、それぞれが専用のバックエンド上で実行される。 しかしプロトタイプでは、完全なクロスバックエンドのポータビリティには、プロセスレベルだけでなく、シリアライズフォーマットと実行セマンティクスのより深い調和が必要です。 どちらも、明示的なバックエンド適合プロファイルを通じて対処することは、最も重要な短期的な方向を表す。 この仕様は、クラウドプラットフォーム間のEOデータキューブ上でのMLワークフローの再現性、移植性、アクセシビリティを向上させる。

関連論文リスト

• FORGE: Fine-grained Multimodal Evaluation for Manufacturing Scenarios [58.34124792457706]
  製造業セクターは、単純な認識から自律的な実行に移行するために、MLLM(Multimodal Large Language Models)をますます採用している。 進捗は、データの不足と、既存のデータセットにおけるきめ細かいドメインセマンティクスの欠如によって妨げられている。 まず、実世界の2D画像と3Dポイントクラウドを組み合わせて、微粒なドメインセマンティクスを付加した高品質なデータセットを構築します。 次に, 3 つの製造課題,すなわち, 構造面検査, 組立検査, 組立検証の18の最先端MLLMを評価し, 大幅な性能差を明らかにした。
  論文  参考訳（メタデータ） (2026-04-08T12:23:27Z)
• Causify DataFlow: A Framework For High-performance Machine Learning Stream Computing [0.0]
  我々は、無制限の時系列データ上に機械学習システムを構築し、テストし、デプロイするための計算フレームワークであるDataFlowを紹介する。 従来のデータサイエンスは有限データセットを前提としており、バッチプロトタイプからストリーミングプロダクションシステムに移行する際には、かなりの再実装が必要である。 DataFlowは、ポイント・イン・タイムの理想性を持つ非循環グラフに基づいて、これらの問題を統一された実行モデルで解決する。
  論文  参考訳（メタデータ） (2025-12-30T04:24:04Z)
• Lemon: A Unified and Scalable 3D Multimodal Model for Universal Spatial Understanding [80.66591664266744]
  Lemonは3Dポイントクラウドパッチと言語トークンを単一のシーケンスとして処理する統合トランスフォーマーアーキテクチャである。 3次元データの複雑さに対処するため,空間的コンテキストを保存するための構造化パッチやトークン化方式を開発した。 Lemonは、総合的な3D理解と推論タスクにまたがって、最先端のパフォーマンスを確立する。
  論文  参考訳（メタデータ） (2025-12-14T20:02:43Z)
• An Empirical Framework for Evaluating Semantic Preservation Using Hugging Face [2.8203629958608722]
  我々は,LESSにおける意味保存を,知的コンポーネントの最適化がシステム全体の機能的振る舞いを変化させない特性として定義する。 本稿では,HuggingFaceのマイニングモデル進化データを用いて,LESSにおける意味的保存を評価するための実証的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-12-08T19:14:21Z)
• Orion-MSP: Multi-Scale Sparse Attention for Tabular In-Context Learning [3.884856136722027]
  マルチスケール処理,ブロックスパースアテンション,Perceiverスタイルのメモリを備えた新しいICLアーキテクチャであるOrion-MSPを紹介する。 Orion-MSPは、高次元テーブルに効果的にスケーリングしながら、最先端のパフォーマンスにマッチまたは超越する。
  論文  参考訳（メタデータ） (2025-11-04T18:43:44Z)
• Leveraging Machine Learning and Enhanced Parallelism Detection for BPMN Model Generation from Text [75.77648333476776]
  本稿では、テキストからBPMNモデルを抽出する自動パイプラインについて紹介する。 この研究の重要な貢献は、新たに注釈付けされたデータセットの導入である。 モデルトレーニング用の32のパラレルゲートウェイを含む15の注釈付き文書でデータセットを増強する。
  論文  参考訳（メタデータ） (2025-07-11T07:25:55Z)
• Data-Juicer 2.0: Cloud-Scale Adaptive Data Processing for and with Foundation Models [83.65386456026441]
  Data-Juicer 2.0は、テキスト、画像、ビデオ、オーディオのモダリティにまたがる100以上のデータ処理オペレータがバックアップするデータ処理システムである。 データ分析、合成、アノテーション、基礎モデルのポストトレーニングなど、より重要なタスクをサポートする。 このシステムは公開されており、さまざまな研究分野やAlibaba Cloud PAIのような現実世界の製品で広く採用されている。
  論文  参考訳（メタデータ） (2024-12-23T08:29:57Z)
• Matchmaker: Self-Improving Large Language Model Programs for Schema Matching [60.23571456538149]
  本稿では,スキーママッチングのための合成言語モデルプログラムを提案する。 Matchmakerは、ラベル付きデモを必要とせずに、ゼロショットで自己改善する。 実証的に、Matchmakerが以前のMLベースのアプローチより優れている実世界の医療スキーママッチングベンチマークを実証する。
  論文  参考訳（メタデータ） (2024-10-31T16:34:03Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)

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。