Fugu-MT 論文翻訳(概要): ML-based Flood Forecasting: Advances in Scale, Accuracy and Reach

論文の概要: ML-based Flood Forecasting: Advances in Scale, Accuracy and Reach

arxiv url: http://arxiv.org/abs/2012.00671v2
Date: Sun, 6 Dec 2020 02:26:36 GMT
ステータス: 処理完了
システム内更新日: 2021-06-07 08:55:36.187339
Title: ML-based Flood Forecasting: Advances in Scale, Accuracy and Reach
Title（参考訳）: mlによる洪水予測: 規模, 精度, 到達範囲の進歩
Authors: Sella Nevo, Gal Elidan, Avinatan Hassidim, Guy Shalev, Oren Gilon, Grey Nearing, Yossi Matias
Abstract要約: 洪水は世界で最もありふれた自然災害の一つである。しかし、世界の脆弱な人口の大多数は、信頼性が高く行動可能な警告システムにアクセスできない。本稿では,過去1年間に開発された洪水予報システムの2つの構成要素について述べる。
参考スコア（独自算出の注目度）: 17.839074983736467
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Floods are among the most common and deadly natural disasters in the world, and flood warning systems have been shown to be effective in reducing harm. Yet the majority of the world's vulnerable population does not have access to reliable and actionable warning systems, due to core challenges in scalability, computational costs, and data availability. In this paper we present two components of flood forecasting systems which were developed over the past year, providing access to these critical systems to 75 million people who didn't have this access before.
Abstract（参考訳）: 洪水は世界で最もありふれた自然災害の1つであり、洪水警報システムは被害を減らすのに有効であることが示されている。しかし、世界の脆弱な人口の大多数は、スケーラビリティ、計算コスト、データ可用性におけるコア課題のため、信頼性が高く行動可能な警告システムにアクセスできない。本稿では,過去1年間に開発された洪水予報システムの2つの構成要素について述べる。

関連論文リスト

Off to new Shores: A Dataset & Benchmark for (near-)coastal Flood Inundation Forecasting [7.4807361562214405]
洪水は最も一般的で破壊的な自然災害の一つである。近年の気象予知と宇宙からの洪水のマッピングは、極端な出来事を予想できる可能性を示した。洪水範囲の直接予測を可能にするデータセットとベンチマークが欠如している。
論文参考訳（メタデータ） (2024-09-27T09:51:25Z)
A Foundation Model for the Earth System [82.73624748093333]
我々は、100万時間以上の多様なデータに基づいてトレーニングされた地球システムのための大規模な基盤モデルであるAuroraを紹介します。オーロラは、大気の質、海波、熱帯のサイクロンの軌道、および専用システムよりも計算コストの桁違いの高解像度の天気予報において、運用上の予測を上回っている。
論文参考訳（メタデータ） (2024-05-20T14:45:18Z)
FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
論文参考訳（メタデータ） (2024-03-26T08:51:23Z)
AI Increases Global Access to Reliable Flood Forecasts [6.498815455353096]
洪水は最も一般的な自然災害の1つであり、密度の高い流路ゲージネットワークが欠如している発展途上国では不均等な影響がある。 AIを用いて、未舗装の流域で5日間のリードタイムで極端な河川イベントを予測する信頼性を実現する。この研究は、信頼できる洪水警報へのグローバルアクセスを改善し続けるために、水文データの可用性を高める必要性を強調している。
論文参考訳（メタデータ） (2023-07-30T01:49:21Z)
Towards Generalizable Data Protection With Transferable Unlearnable Examples [50.628011208660645]
本稿では、転送不可能な例を生成することによって、新しい一般化可能なデータ保護手法を提案する。私たちの知る限りでは、これはデータ分散の観点からデータのプライバシを調べる最初のソリューションです。
論文参考訳（メタデータ） (2023-05-18T04:17:01Z)
Transformer-based Flood Scene Segmentation for Developing Countries [1.7499351967216341]
洪水は大規模な自然災害であり、しばしば大量の死者、大規模な材料被害、経済的混乱を引き起こす。早期警戒システム(EWS)は洪水を予測するための水位やその他の要因を常に評価し、被害を最小限に抑える。 FloodTransformerは、災害現場の空中画像から浸水した領域を検出し、セグメンテーションする最初のビジュアルトランスフォーマーベースのモデルである。
論文参考訳（メタデータ） (2022-10-09T10:29:41Z)
Flood Prediction Using Machine Learning Models [0.0]
本稿では,異なる機械学習モデルを用いて洪水の予測を行うことにより,この自然災害の極端なリスクを低減することを目的とする。その結果、どのモデルがより正確な結果をもたらすかを理解するために比較分析を行う。
論文参考訳（メタデータ） (2022-08-02T03:59:43Z)
PreDisM: Pre-Disaster Modelling With CNN Ensembles for At-Risk Communities [0.32228025627337864]
本稿では,ResNetのアンサンブルと決定木上の完全連結層を用いて人造構造物の弱点を正確に推定するPreDisMを提案する。本モデルは,災害のタイプをまたいだ調整に応答し,プリエンプティブ・ハザード・ダメージ・モデリングの空間を浮き彫りにする。
論文参考訳（メタデータ） (2021-12-26T23:48:23Z)
Certifiers Make Neural Networks Vulnerable to Availability Attacks [70.69104148250614]
私たちは初めて、逆転戦略が敵によって意図的に引き起こされる可能性があることを示します。いくつかの入力や摂動のために自然に発生する障害に加えて、敵は故意にフォールバックを誘発するために訓練時間攻撃を使用することができる。我々は2つの新しいアベイラビリティーアタックを設計し、これらの脅威の実用的妥当性を示す。
論文参考訳（メタデータ） (2021-08-25T15:49:10Z)
Overcoming Failures of Imagination in AI Infused System Development and Deployment [71.9309995623067]
NeurIPS 2020は研究論文に「潜在的な悪用と失敗の結果」に関するインパクトステートメントを含むよう要求した。我々は、害の枠組みは文脈に適応し、潜在的な利害関係者、システム余裕、および最も広い意味での害を評価するための実行可能なプロキシを考える必要があると論じている。
論文参考訳（メタデータ） (2020-11-26T18:09:52Z)
Measurement-driven Security Analysis of Imperceptible Impersonation Attacks [54.727945432381716]
本稿では,ディープニューラルネットワークを用いた顔認識システムの実用性について検討する。皮膚の色,性別,年齢などの要因が,特定の標的に対する攻撃を行う能力に影響を及ぼすことを示す。また,攻撃者の顔のさまざまなポーズや視点に対して堅牢なユニバーサルアタックを構築する可能性についても検討した。
論文参考訳（メタデータ） (2020-08-26T19:27:27Z)

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。