論文の概要: Deficit-Driven Stratified Acquisition for Building STRATA-S12: An Open SAR-Optical Corpus for Self-Supervised Learning
- arxiv url: http://arxiv.org/abs/2610.17680v3
- Date: Thu, 22 Oct 2026 15:06:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:43.959673
- Title: Deficit-Driven Stratified Acquisition for Building STRATA-S12: An Open SAR-Optical Corpus for Self-Supervised Learning
- Title（参考訳）: STRATA-S12構築のためのデフォールト駆動型ストラテファイド買収:自己指導型学習のためのオープンSAR-Optical Corpus
- Abstract要約: 本稿では,Deficit-Driven Stratified Acquisition (DDSA)を提案する。
DDSAは買収によってそれをオンラインで解決し、品質ゲートと承認されたすべてのペアの視覚的レビューが更新し続けるという、階層ごとの欠陥に対して限界的な利益によって発注する。
コーパスSTRATA-S12をSTACおよびPSD4規格に準拠したペア毎のメタデータサイドカーでリリースし、事前登録された線形プローブにより自己教師付き事前学習に適していることを確認した。
- 参考スコア（独自算出の注目度）: 2.1402833737794187
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Building a co-registered SAR-optical corpus for self-supervised Earth Observation is above all an acquisition problem, yet the main multi-modal datasets are collected opportunistically, with no per-stratum quota control, so the regions and seasons that cloud cover hits hardest end up under-sampled. We present Deficit-Driven Stratified Acquisition (DDSA), an algorithm that casts the construction of a Sentinel-1/Sentinel-2 corpus as a constrained maximum-coverage problem over a land-cover-driven, hemisphere-corrected (class x season x region) stratification of target countries on all six inhabited continents, and solves it online: acquisition is ordered by marginal gain against a per-stratum deficit that the quality gates and a visual review of every accepted pair keep updating during the run. Three results follow from measuring the algorithm on its own product. First, stratum balance is a property of the deficit-driven ordering rather than of run length: replayed over all 2,928,370 real acquisition attempts, failures included, it populates all 192 strata within 0.05% of the attempts, against 4.03% for uniform round-robin effort and 20.5% for a random order. Second, whether a rejected attempt can be recovered is better predicted by how long its cause persists than by the type of defect: cloud rejections are recovered at eta = 18.8% against 41.4% for nodata, consistent with clouds persisting through a season. Third, the repair loop supplies 39.5% of the released pairs at no measurable quality cost, with 89.8% surviving manual review, but it adds yield rather than balance. The quality guarantee has a price: 2,928,370 acquisition attempts produced 740,746 released pairs. We release the corpus, STRATA-S12, with per-pair metadata sidecars aligned with the STAC and PDS4 standards and the FAIR principles, and a pre-registered linear probe confirms it is fit for self-supervised pre-training.
- Abstract（参考訳）: 自己監督型地球観測のためのSAR-光コーパスを共同で登録することは、買収問題以上のものだが、主要なマルチモーダルデータセットは、成層当たりのクォータ制御なしで、機会的に収集されるため、雲の覆いが最も厳しい地域と季節は、アンダーサンプリングされる。
本稿では, 陸地被覆型, 半球補正型(クラス x 季節 x 地域) 成層化問題に対するSentinel-1/Sentinel-2コーパスの構築を制約した最大被覆問題として, 陸地被覆型, 半球補正型 (クラス x 季節 x 地域) の6大陸すべてに対して提案するアルゴリズムであるDeficit-Driven Stratified Acquisition (DDSA) について述べる。
3つの結果は、アルゴリズムを自身の製品上で測定することによる。
2,928,370件の実際の取得の試みをリプレイし、失敗を含め、全192件の成層を0.05%以内、均一なラウンドロビンで4.03%、ランダムな順序で20.5%に設定する。
第二に、拒絶された試みが回復できるかどうかは、その原因が欠陥の種類よりもどのくらい長く続くかによって予測される: 雲の拒絶は、41.4%に対してeta = 18.8%で回復され、季節を通して続く雲と一致している。
第3に、修理ループはリリースされたペアの39.5%を測定不可能な品質のコストで供給し、89.8%がマニュアルレビューを継続するが、バランスよりも利得を増す。
品質保証は2,928,370回の買収で740,746台の製品が発売された。
コーパス STRATA-S12 は STAC と PDS4 の標準と FAIR の原則に適合し,事前登録された線形プローブにより自己教師付き事前訓練に適合することを確認した。
関連論文リスト
- DeBERTa-ConPara: Attack-Aware and Deployment-Realistic Detection of AI-Generated Text [42.255101883505056]
DeBERTa-ConParaは,HC3 Plus,M4,MAGE,RAIDで学習した文脈変換器エンコーダと,攻撃対応Unicode前処理を組み合わせたデプロイメント指向検出器である。
我々の中心的な発見は、前処理が適用された場所によって反対方向に作用することである。
2つの配置の因子的変化は、正規化推論による生のトレーニングを最高の設定として独立に識別する。
12種類の攻撃クラスのうち、ホモグリーフとゼロ幅空間の挿入は11.05%から1.12%から96.98%に増加した。
論文 参考訳（メタデータ） (2026-10-01T00:57:33Z) - Does the VGGT Family Need All Its Layers? [55.81487806596663]
VGGT,3ドル,VGGT-$:3,018プルーニング構成における層冗長性について検討した。
取り外し可能な層が2つの冗長領域に集結しているのに対して、層間をまたがる削除は、常に破壊的である。
CKAは、間隔分解のためのより安価な表現ベースのプロキシを提供し、プルーニング品質とキャリブレーションコストのトレードオフを提供する。
論文 参考訳（メタデータ） (2026-09-29T06:52:07Z) - The Epistemics of Agent Memory: Measuring, and Governing, the Consolidation Decision in Long-Horizon LLM Agents [0.0]
LLMエージェントは、蓄積した経験を耐久性のあるメモリに変換する必要がある。
フェーズ1は下流ユーティリティによってエージェントトレースからエピソード境界を学習する。
フェーズ2は、トークン予算の下で経験と抽象化のレベルを促進する方法を学ぶ。
フェーズ3では、3つの非円周軸上の既知の最適値に対する統合決定をスコアするオラクル・バイ・コンストラクション・ベンチマークが導入されている。
論文 参考訳（メタデータ） (2026-09-26T23:10:45Z) - AquaMend: Minimal Re-probing and Conditional Rollback for Latent-Belief Failures in Embodied Agents [23.337499695293744]
AquaMendは、re-probing, rollback, Support continuation on a probe-belief-action graphの比較を行う。
ジョイント後部は条件検出パワースクリーニングによるワンステップポリシーを導出する。
論文 参考訳（メタデータ） (2026-09-24T03:39:48Z) - Available Guardrails: Certifying Selective Prediction across ML Systems [40.57629016626049]
安全, 粒度, サービストラフィックのトレードオフを明らかにする動的プログラムを開発する。
1つの計画上の候補分割を分割し、その中の1つを選択すると、このギャップの一部が回復することを示す。
相補的妥当性保存レバーは、報告ユニット間で家庭的にエラー予算を割り当て、追加のカバレッジを回復する。
論文 参考訳（メタデータ） (2026-09-18T17:36:52Z) - It's the Problem, Not the Path: Budget and Difficulty Confounds in LLM Reasoning Trajectories [0.0]
再起動制御トランケーションプローブは、ソリューションが継続予算に適合するときに、プレフィックスが購入できない値を持てるときとを分離する。
事前登録された、難易度制御されたテストは、問題の難解なベースラインを超えた早期ウィンドウ内部信号における検出可能な結果情報を見つけない。
論文 参考訳（メタデータ） (2026-09-03T06:47:55Z) - Post-Hoc Trajectory-Risk Certification for Modular LLM-Based Security Agents [1.4915002678801434]
ボンフェロニ配置は分布自由であるが,相関誤差下では保守的であることを示す。
粗いラベルの選択は、学習された依存なしにほぼ完璧な相関関係を作ることができる。
ステージ単位の証明書とペアの重なり合うバウンドを用いたモジュール証明書は、正の平均利得が0.6%となる。
論文 参考訳（メタデータ） (2026-08-04T23:48:36Z) - ATLAS: All-round Testing of Long-context Abilities across Scales [42.83200405769639]
ATLASは、長文評価を長さ依存の能力プロファイルとして再定義するベンチマークフレームワークである。
ATLASは、(i)アプリケーションワークロードから基礎的な操作を分離する階層化された分類法、(ii)固定された8K-1Mグリッド上のスコア長曲線を統合するAUCスコア、(iii)不均衡なプロファイルをペナルライズする分類カテゴリー上の調和平均集計であるATLAScoreの3つの方法論に貢献する。
論文 参考訳（メタデータ） (2026-05-27T07:33:47Z) - Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。
個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。
構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
論文 参考訳（メタデータ） (2026-05-15T17:08:27Z) - Model Compression with Exact Budget Constraints via Riemannian Manifolds [39.54576236079211]
トータルコスト予算の下で各NグループにKオプションの1つを割り当てることは、効率的なAIにおいて繰り返し発生する問題である。
我々は、ソフトマックス緩和の下で、予算制約がロジット空間における滑らかなリーマン多様体を異常に単純な幾何学で定義することを示す新しいアプローチを示す。
これらの特性に基づいて、接射影、二分探索リトラクション、運動量輸送を標準とするリーマン制約最適化(RCO)を提案する。
論文 参考訳（メタデータ） (2026-05-01T13:30:23Z)
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。