論文の概要: PiCo: Physics-Informed Concept Probing for Geo-Foundation Models

• arxiv url: http://arxiv.org/abs/2610.20973v1
• Date: Wed, 14 Oct 2026 21:46:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.084855
• Title: PiCo: Physics-Informed Concept Probing for Geo-Foundation Models
• Title（参考訳）: PiCo:物理インフォームド概念探査
• Abstract要約: ジオ境界モデル(GFM)は通常、下流のタスク予測のパフォーマンスによって評価され、どの物理的特徴に敏感であるか、または予測に使用されるのかは明らかにされていない。 我々は,GFM予測を説明するためのポストホックフレームワークであるPhysical-Informed Concept Probing (PiCo)を提案する。 PiCoは、ゲームエンジンと結合した3次元放射移動モデルから合成マルチスペクトル衛星観測を生成することにより、GFMの埋め込み空間における概念ベクトルを同定する。 これらの概念ベクトルに埋め込みを投影すると、予測する上で概念の重要性を定量化するための低次元表現が生成される。
• 参考スコア（独自算出の注目度）: 0.26665679188139185
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Geo-foundation models (GFMs) are typically evaluated by downstream task predictive performance, revealing little about which physical features they are sensitive to or use in prediction. This limits developers' ability to test hypotheses about model behaviour and users' ability to select models for new tasks. We propose Physics-Informed Concept Probing (PiCo), a post-hoc framework for explaining GFM predictions. PiCo identifies concept vectors in a GFM's embedding space by generating synthetic multispectral satellite observations from a 3D radiative transfer model coupled with a game engine. These vectors reveal physical sensitivities that inform domain-based hypotheses about downstream performance. Projecting embeddings onto these concept vectors produces low-dimensional representations for quantifying concept importance in making predictions. We evaluate PiCo on three GFMs with different input modalities using seven physical concepts covering forest leaf optics and canopy structure. In ground-cover estimation, RGB restriction reduces dry-matter sensitivity and disproportionately degrades predictions for dry vegetation and bare ground, supporting a hypothesis derived from sensitivity analysis. For hierarchical forest type and tree species classification, concept representations retain 70.0-93.8% of full-embedding accuracy. Models capture similar physical contrasts between classes, such as structural differences between broadleaf forest and cleared ground and leaf-water-content differences between oak and beech, yet differ in the strength of these contrasts and the concepts driving classification. PiCo thus provides a physical basis for hypothesis testing and model assessment, with potential applicability beyond Earth observation wherever forward models enable controlled simulation and pretrained embeddings are accessible for probing.
• Abstract（参考訳）: ジオ境界モデル(GFM)は通常、下流のタスク予測のパフォーマンスによって評価され、どの物理的特徴に敏感であるか、または予測に使用されるのかは明らかにされていない。 これにより、モデルの振る舞いに関する仮説をテストする開発者の能力と、新しいタスクのためのモデルを選択するユーザの能力が制限される。 我々は,GFM予測を説明するためのポストホックフレームワークであるPhysical-Informed Concept Probing (PiCo)を提案する。 PiCoは、ゲームエンジンと結合した3次元放射移動モデルから合成マルチスペクトル衛星観測を生成することにより、GFMの埋め込み空間における概念ベクトルを同定する。 これらのベクトルは、下流のパフォーマンスに関するドメインベースの仮説を伝える物理的感度を明らかにする。 これらの概念ベクトルに埋め込みを投影すると、予測する上で概念の重要性を定量化するための低次元表現が生成される。 森林葉光と天蓋構造をカバーする7つの物理概念を用いて,入力モードが異なる3つのGFM上でのPiCoの評価を行った。 地表面積推定では,RGB制限は乾性マターの感度を低下させ,乾性植生や裸地での予測を不均等に低下させ,感度解析から導かれる仮説を支持する。 階層的な森林タイプと樹木種分類では、概念表現は70.0-93.8%の完全埋め込み精度を維持している。 モデルでは、広葉樹林と伐採地の構造的差異や、オークとブナの葉水含量の違いなど、クラス間の類似した物理的コントラストを捉えているが、これらのコントラストの強さと分類を駆動する概念には違いがある。 したがって、PiCoは仮説テストとモデルアセスメントの物理的基盤を提供し、前方のモデルが制御されたシミュレーションを可能にし、事前訓練された埋め込みが探索に利用可能である場合、地球観測を超えて潜在的に適用可能である。

関連論文リスト

• Rethinking Concept Bottleneck Models: From Pitfalls to Solutions [53.84388497227224]
  概念ボトルネックモデル (Concept Bottleneck Models, CBM) は、人間の理解可能な概念の基底予測である。 CBM-Suiteはこれらの課題に対処するための方法論的なフレームワークである。
  論文  参考訳（メタデータ） (2026-03-05T19:37:49Z)
• CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
  本研究は認知拡散確率モデル(CogDPM)を紹介する。 CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。 我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
  論文  参考訳（メタデータ） (2024-05-03T15:54:50Z)
• AirPhyNet: Harnessing Physics-Guided Neural Networks for Air Quality Prediction [40.58819011476455]
  本稿では,空気質予測のための物理誘導ニューラルネットワーク(AirPhyNet)という新しいアプローチを提案する。 我々は、空気粒子移動(拡散と対流)の2つの確立された物理原理を微分方程式ネットワークとして表現することで活用する。 2つの実世界のベンチマークデータセットの実験では、AirPhyNetがさまざまなテストシナリオの最先端モデルを上回っていることが示されている。
  論文  参考訳（メタデータ） (2024-02-06T07:55:54Z)
• Do Concept Bottleneck Models Respect Localities? [14.77558378567965]
  概念に基づく説明可能性法は、人間の理解可能な仲介者を用いて機械学習モデルの説明を生成する。 我々は、概念予測者が「関連」機能を利用して予測を行うかどうかを評価する。 概念予測器は必ずしも明確な概念を区別できないため、実際には多くの概念ベースモデルは局所性を尊重しない。
  論文  参考訳（メタデータ） (2024-01-02T16:05:23Z)
• An Energy-Based Prior for Generative Saliency [62.79775297611203]
  本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。 生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。 実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
  論文  参考訳（メタデータ） (2022-04-19T10:51:00Z)
• Learning Generative Vision Transformer with Energy-Based Latent Space for Saliency Prediction [51.80191416661064]
  本稿では,有意な物体検出に先立って,潜伏変数を持つ新しい視覚変換器を提案する。 ビジョントランスネットワークとエネルギーベース先行モデルの両方は、マルコフ連鎖モンテカルロによる最大推定を通じて共同で訓練される。 生成型視覚変換器により、画像から容易に画素単位の不確実性マップを得ることができ、画像から唾液濃度を予測するためのモデル信頼度を示す。
  論文  参考訳（メタデータ） (2021-12-27T06:04:33Z)
• An Interpretable Probabilistic Model for Short-Term Solar Power Forecasting Using Natural Gradient Boosting [0.0]
  本稿では,高精度で信頼性が高く,鋭い予測を生成できる2段階確率予測フレームワークを提案する。 このフレームワークは、ポイント予測と予測間隔(PI)の両方について完全な透明性を提供する。 提案フレームワークの性能と適用性を強調するため,南ドイツにある2つのPV公園の実際のデータを用いている。
  論文  参考訳（メタデータ） (2021-08-05T12:59:38Z)
• An Adversarial Human Pose Estimation Network Injected with Graph Structure [75.08618278188209]
  本稿では,いくつかの関節が見えない場合に,可視関節の局所化精度を向上させるために,新しいGAN(Generative Adversarial Network)を設計する。 ネットワークは、2つのシンプルで効率的なモジュール、カスケード機能ネットワーク(CFN)とグラフ構造ネットワーク(GSN)で構成されています。
  論文  参考訳（メタデータ） (2021-03-29T12:07:08Z)
• Causal Discovery in Physical Systems from Videos [123.79211190669821]
  因果発見は人間の認知の中心にある。 本研究では,ビデオの因果発見の課題を,地層構造を監督せずにエンドツーエンドで検討する。
  論文  参考訳（メタデータ） (2020-07-01T17:29:57Z)

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。