FAIR-Earth：衡量与提升地球数据隐式表征公平性
机器学习
2025-02-12 v1 人工智能
摘要
隐式神经表征 (INR) 在解决地球表征挑战方面日益取得成功，涵盖从排放监测到气候建模等方面。然而，现有方法过度关注全局平均性能，而实践者需要细粒度的见解来理解这些模型中的偏见和差异。为弥合这一差距，我们引入 FAIR-Earth：这是一套专为检验和挑战地球表征不公平性而构建的首个数据集。FAIR-Earth 包含各种高分辨率地球信号，并独特地聚合了大量元数据，包括陆地面积和人口密度等分层，以评估模型的公平性。评估 FAIR-Earth 各种模态的最新 INR，我们发现显著的性能差异。尤其是与高频信号相关的子群（例如岛屿、海岸线），由现有方法持续建模不佳。为此，我们提出球面小波编码，基于先前的空间编码研究。利用小波的多分辨率能力，我们的编码在各种尺度和位置上均实现一致的性能，为这些偏见子群提供更准确和更稳健的表征。这些开源贡献代表了实现地球 INR 公平评估和部署的关键步骤。
引用
@article{arxiv.2502.06831,
title = {No Location Left Behind: Measuring and Improving the Fairness of Implicit Representations for Earth Data},
author = {Daniel Cai and Randall Balestriero},
journal= {arXiv preprint arXiv:2502.06831},
year = {2025}
}