地球観測と位置エンコーダのグラウンディング融合におけるプロキシ一貫性損失

概要: 地球観測の入力を用いた教師あり学習は、訓練ラベルとして使う高品質のラベル付き、あるいは現地で計測されたデータの希少性によって制限されることが多い。地理データプロダクトの豊富さにより、多くの場合、関心対象の変数とは異なるが相関のある変数が存在し、それを活用できる。本研究では、訓練可能なロケーションエンコーダを介して地理的な事前分布の中にこのような代理（プロキシ）変数を統合し、プロキシ整合性損失（PCL）の定式化を導入することで、代理データをロケーションエンコーダに取り込む。提案手法の第一の重要な洞察は、ロケーションエンコーダを、訓練ラベルの利用可能性とは独立にサンプリングできる、豊富に得られる代理データから学習するための、機敏で柔軟な方法として用いることである。第二の重要な洞察は、限られたラベル付きデータで性能と頑健性を達成するには、ロケーションエンコーダを適切に正則化する必要があるという点である。大気質予測と貧困マッピングに関する我々の実験では、観測エンコーダへの入力として代理データとラベルデータの両方を用いる場合や、凍結した事前学習済みのロケーション埋め込みを地理的事前分布として使う融合戦略と比較して、ロケーションエンコーダを通じて代理データを暗黙的に統合することで優れた性能が得られることが示された。インサンプルでの優れた予測性能は、PCLが代理から豊かな情報を取り込めることを示し、アウト・オブ・サンプルでの優れた予測性能は、学習された潜在埋め込みが訓練ラベルのない地域にも一般化するのに役立つことを示している。