論文の概要: Towards Consistent Geospatial Representations: Aligning One Encoder to Many Foundation Models
- arxiv url: http://arxiv.org/abs/2610.28313v1
- Date: Tue, 20 Oct 2026 14:52:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.861253
- Title: Towards Consistent Geospatial Representations: Aligning One Encoder to Many Foundation Models
- Title（参考訳）: 連続した地理空間表現に向けて:1エンコーダを多くの基礎モデルにアライメントする
- Abstract要約: 我々は、Pangaeaベンチマークの拡張であるPangaea-Latentsを紹介します。
次に,GeoMixtureを提案する。マルチ表現アライメントの目的を通じて,データセット毎に複数のGFMにViTをアライメントするフレームワークである。
エンコーダは9つのPangaeaデータセットの平均階数で最高のGCMを結び、タスク間の一貫性のためにピークパフォーマンスを取引します。
- 参考スコア（独自算出の注目度）: 19.55001039146006
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Geospatial foundation models (GFMs) differ widely in pretraining objective, modality and resolution, and none leads across benchmarks. We ask whether their representations are complementary, and whether a single encoder can inherit that complementarity. We introduce Pangaea-Latents, an extension of the Pangaea benchmark providing frozen embeddings of $5$ GFMs over its $11$ datasets, along with reproduced baselines, and find GFM embeddings to be neither redundant nor disjoint. We then propose GeoMixture, a preliminary framework to align a ViT to several GFMs per dataset through a multi-representation alignment (mREPA) objective. Our encoder ties the best GFM in average rank across nine Pangaea datasets, trading peak performance for cross-task consistency.
- Abstract（参考訳）: 地理空間基盤モデル (GFMs) は、事前学習の目的、モダリティ、解像度で大きく異なり、ベンチマークでは何も導いていない。
それらの表現が相補的かどうか、単一エンコーダがその相補性を継承できるかどうかを問う。
Pangaeaベンチマークの拡張であるPangaea-Latentsを導入し、11ドルのデータセットに5ドルGFMの凍結埋め込みと、再現されたベースラインを提供しています。
次に、マルチ表現アライメント(mREPA)の目的を通じて、データセット毎の複数のGFMにViTをアライメントするための予備的なフレームワークであるGeoMixtureを提案する。
エンコーダは9つのPangaeaデータセットの平均階数で最高のGCMを結び、タスク間の一貫性のためにピークパフォーマンスを取引します。
関連論文リスト
- GeoSeg-OV: Bridging Geospatial Gaps with Structural Guidance for Open-Vocabulary Remote Sensing Segmentation [7.3929592417688275]
補助的なVFM機能を視覚テキストマッチングから切り離し、コスト集約とデコードのための構造的ガイダンスとして再利用するGeoSeg-OVを提案する。
6大陸にまたがる7つのデータセットにまたがる世界規模の高解像度土地被覆ベンチマークでは、GeoSeg-OVは2つのトレーニング設定の下で、最先端のmIoUを+2.5および+2.7の平均mIoUで上回っている。
論文 参考訳（メタデータ） (2026-08-11T03:18:22Z) - Learning Graph Foundation Models on Riemannian Graph-of-Graphs [18.179624610878744]
グラフ基礎モデル(GFM)は、汎用推論をサポートするために、巨大なグラフデータ上に事前訓練されている。
本稿では,構造スケールをモデリングの第一級市民として扱うR-GFMを提案する。
R-GFMは、異なるホップ距離でマルチスケールのGoGオーバーサンプリング部分グラフを構築し、幾何適応表現を学ぶ。
論文 参考訳（メタデータ） (2026-05-11T05:09:16Z) - CrossEarth-SAR: A SAR-Centric and Billion-Scale Geospatial Foundation Model for Domain Generalizable Semantic Segmentation [51.94680303125737]
我々は、新しい物理誘導型スパース・オブ・エキスパート(MoE)アーキテクチャに基づいて構築された、最初の10億ドル規模のSARビジョン基盤モデルであるCrossEarth-SARを紹介する。
大規模な事前トレーニングを容易にするために,公共およびプライベートなSAR画像を統合する弱く完全に教師付きデータセットであるCrossEarth-SAR-200Kを開発した。
また、8つの異なる領域ギャップをまたいだ22のサブベンチマークからなるベンチマークスイートを導入し、SAR画像上でのドメイン一般化セマンティックセマンティックセグメンテーションのための最初の統一標準を確立した。
論文 参考訳（メタデータ） (2026-03-12T14:52:35Z) - GEO-Bench-2: From Performance to Capability, Rethinking Evaluation in Geospatial AI [52.13138825802668]
GeoFMは地球観測を変革しているが、評価には標準化されたプロトコルが欠けている。
GEO-Bench-2は、分類、セグメンテーション、回帰、オブジェクト検出、インスタンスセグメンテーションにまたがる包括的なフレームワークでこの問題に対処する。
GEO-Bench-2のコード、データ、およびリーダーボードは、パーミッシブライセンスの下で公開されている。
論文 参考訳（メタデータ） (2025-11-19T17:45:02Z) - HyBiomass: Global Hyperspectral Imagery Benchmark Dataset for Evaluating Geospatial Foundation Models in Forest Aboveground Biomass Estimation [1.0408909053766147]
本研究では,森林表層バイオマス(AGB)推定のためのグローバル分散ベンチマークデータセットを提案する。
このベンチマークデータセットは、環境マッピング・分析プログラム(EnMAP)衛星からのHSIと、AGB密度推定の予測を組み合わせたものである。
このデータセットを用いた実験結果から,評価されたGeo-FMがベースラインU-Netの性能を上回り得るか,場合によっては超えることを示した。
論文 参考訳（メタデータ） (2025-06-12T21:29:20Z) - Towards Graph Foundation Models: A Transferability Perspective [48.4996946514573]
Graph Foundation Models (GFMs) は、さまざまなグラフドメインやタスクにまたがる一般化の可能性に対して、大きな注目を集めている。
現在まで、転送可能性の観点からGFMを調査・分析する体系的な研究は行われていない。
本稿では、トランスファービリティーのレンズを通して既存のGFMを分類・分析する最初の包括的分類法を提案する。
論文 参考訳（メタデータ） (2025-03-12T13:04:05Z) - GFM-RAG: Graph Foundation Model for Retrieval Augmented Generation [83.72561905487447]
本稿では,新しいグラフ基盤モデル (GFM) である GFM-RAG について紹介する。
GFM-RAGは、複雑なクエリ-知識関係をキャプチャするグラフ構造を理由とする、革新的なグラフニューラルネットワークによって実現されている。
効率とニューラルスケーリング法則との整合性を維持しつつ、最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-02-03T07:04:29Z) - PANGAEA: A Global and Inclusive Benchmark for Geospatial Foundation Models [3.9031647202359667]
PANGAEAは標準化された評価プロトコルであり、さまざまなデータセット、タスク、解像度、センサーのモダリティ、時間性をカバーする。
我々は、このベンチマークで利用可能な最も人気のあるGFMを評価し、その性能を複数のドメインで分析する。
本研究は, GFMの限界を, 異なるシナリオ下で強調し, 教師付きモデルよりも常に優れていないことを示した。
論文 参考訳（メタデータ） (2024-12-05T14:40:41Z) - Position: Graph Foundation Models are Already Here [53.737868336014735]
グラフ基礎モデル(GFM)は、グラフ領域において重要な研究トピックとして浮上している。
グラフ語彙の提唱によるGFM開発のための新しい視点」を提案する。
この観点は、将来のGFM設計を、ニューラルネットワークのスケーリング法則に従って前進させる可能性がある。
論文 参考訳（メタデータ） (2024-02-03T17:24:36Z)
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。