Increasing the Robustness of Model Predictions to Missing Sensors in Earth Observation

要約

EO 用のマルチセンサー ML モデルは、さまざまなソースからのデータを統合することで予測精度を向上させることを目的としています。
ただし、欠損データの存在は、特に外部要因の影響を受ける可能性のある非永続センサーでは、重大な課題を引き起こします。
既存の文献では、データ欠損の問題への一般化に対処するために、時間的ドロップアウトやセンサー不変モデルなどの戦略が検討されています。
これらの研究に触発されて、私たちはマルチセンサーのシナリオに合わせて調整された 2 つの新しい方法、すなわち入力センサー ドロップアウト (ISensD) とアンサンブル センサー インバリアント (ESensI) を研究します。
3 つのマルチセンサー時間 EO データセットでの実験を通じて、これらの方法が欠落センサーに対するモデル予測の堅牢性を効果的に高めることを実証します。
特に、さまざまなレベルでセンサーが欠落している場合にモデルの予測パフォーマンスがどのように低下​​するかに焦点を当てます。
アンサンブル マルチセンサー モデルがセンサーの欠如に対して最も堅牢であることがわかります。
さらに、ISensD のセンサー ドロップアウト コンポーネントは、有望な堅牢性の結果を示しています。

要約(オリジナル)

Multi-sensor ML models for EO aim to enhance prediction accuracy by integrating data from various sources. However, the presence of missing data poses a significant challenge, particularly in non-persistent sensors that can be affected by external factors. Existing literature has explored strategies like temporal dropout and sensor-invariant models to address the generalization to missing data issues. Inspired by these works, we study two novel methods tailored for multi-sensor scenarios, namely Input Sensor Dropout (ISensD) and Ensemble Sensor Invariant (ESensI). Through experimentation on three multi-sensor temporal EO datasets, we demonstrate that these methods effectively increase the robustness of model predictions to missing sensors. Particularly, we focus on how the predictive performance of models drops when sensors are missing at different levels. We observe that ensemble multi-sensor models are the most robust to the lack of sensors. In addition, the sensor dropout component in ISensD shows promising robustness results.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google