論文の概要: Knowledge-infused Deep Learning Enables Interpretable Landslide
Forecasting
- arxiv url: http://arxiv.org/abs/2307.08951v1
- Date: Tue, 18 Jul 2023 03:39:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-19 16:30:56.154902
- Title: Knowledge-infused Deep Learning Enables Interpretable Landslide
Forecasting
- Title（参考訳）: 知識注入型深層学習による地すべり予測
- Authors: Zhengjing Ma, Gang Mei
- Abstract要約: 近年の変圧器を用いた深層学習は,地すべりの予測に未完成の可能性を秘めている。
地すべりの挙動を均等に予測できる深層学習パイプラインを提案する。
チベット高原における三峡貯水池の地すべり予測モデルと地すべり予測モデルを用いて,本手法の有効性を検証した。
- 参考スコア（独自算出の注目度）: 0.019036571490366496
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Forecasting how landslides will evolve over time or whether they will fail is
a challenging task due to a variety of factors, both internal and external.
Despite their considerable potential to address these challenges, deep learning
techniques lack interpretability, undermining the credibility of the forecasts
they produce. The recent development of transformer-based deep learning offers
untapped possibilities for forecasting landslides with unprecedented
interpretability and nonlinear feature learning capabilities. Here, we present
a deep learning pipeline that is capable of predicting landslide behavior
holistically, which employs a transformer-based network called LFIT to learn
complex nonlinear relationships from prior knowledge and multiple source data,
identifying the most relevant variables, and demonstrating a comprehensive
understanding of landslide evolution and temporal patterns. By integrating
prior knowledge, we provide improvement in holistic landslide forecasting,
enabling us to capture diverse responses to various influencing factors in
different local landslide areas. Using deformation observations as proxies for
measuring the kinetics of landslides, we validate our approach by training
models to forecast reservoir landslides in the Three Gorges Reservoir and
creeping landslides on the Tibetan Plateau. When prior knowledge is
incorporated, we show that interpretable landslide forecasting effectively
identifies influential factors across various landslides. It further elucidates
how local areas respond to these factors, making landslide behavior and trends
more interpretable and predictable. The findings from this study will
contribute to understanding landslide behavior in a new way and make the
proposed approach applicable to other complex disasters influenced by internal
and external factors in the future.
- Abstract（参考訳）: 地すべりが時間とともにどのように進化するか、あるいは失敗するかを予測することは、内部および外部の両方のさまざまな要因のために難しい課題である。
これらの課題に対処する大きな可能性にもかかわらず、深層学習技術は解釈可能性に欠けており、それらが生み出す予測の信頼性を損なう。
近年の変圧器を用いた深層学習は,前例のない解釈性と非線形特徴学習機能を備えた地すべりの予測を未然に行うことができる。
本稿では,lfitと呼ばれるトランスフォーマーベースのネットワークを用いて,事前知識と複数ソースデータから複雑な非線形関係を学習し,最も関連する変数を特定し,地すべり進展と時間パターンの包括的理解を示す。
先行知識を統合することにより,地すべり予測の総合的改善を図り,異なる地すべり地域における各種要因に対する多様な応答を捉えることができる。
3峡谷貯水池における貯留層地すべりとチベット高原の沿面地すべりの予測モデルを用いて, 地すべりの速度を測定するためのプロキシーとして変形観測を行った。
先行知識が組み込まれた場合, 解釈可能な地すべり予測は, 種々の地すべりにおける影響因子を効果的に同定することを示す。
さらに地域がこれらの要因にどのように反応するかを解明し、地すべり行動や傾向をより解釈し予測可能にした。
本研究から得られた知見は, 地すべりの挙動を新しい方法で理解し, 今後, 内外の要因によって影響される他の複雑な災害にも適用できることに寄与する。
関連論文リスト
- Interpretability of Statistical, Machine Learning, and Deep Learning Models for Landslide Susceptibility Mapping in Three Gorges Reservoir Area [4.314875317825748]
地すべり感受性マッピング(LSM)は,高リスク領域の特定と予防戦略の実施に不可欠である。
本研究では,地すべりの感受性予測における統計的,機械学習(ML),深層学習(DL)モデルの解釈可能性について検討した。
論文 参考訳（メタデータ） (2024-05-20T03:46:42Z) - Interpretable Knowledge Tracing via Response Influence-based Counterfactual Reasoning [10.80973695116047]
知識追跡は、コンピュータ支援教育と知的学習システムにおいて重要な役割を担っている。
現在のアプローチでは、より説明可能な予測を達成するために心理的影響を調査している。
RCKTは,新しい応答型インフルエンサー・インフルエンサー・インフルエンス・インフルエンサー・ナレッジ・トレース・フレームワークである。
論文 参考訳（メタデータ） (2023-12-01T11:27:08Z) - Landslide Topology Uncovers Failure Movements [1.08890978642722]
本稿では,スライドやフローなどの動作に基づいて,障害タイプを特定するアプローチを提案する。
地すべりの形態や形状に埋め込まれた物質移動力学の顕著な特徴をトポロジカルプロキシが明らかにしているのを観察する。
歴史的およびイベント固有の地すべりデータベースの障害タイプを80～94 %の精度で識別できる。
論文 参考訳（メタデータ） (2023-10-14T17:53:55Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳（メタデータ） (2023-10-09T18:34:29Z) - Interpretable Imitation Learning with Dynamic Causal Relations [65.18456572421702]
得られた知識を有向非巡回因果グラフの形で公開することを提案する。
また、この因果発見プロセスを状態依存的に設計し、潜在因果グラフのダイナミクスをモデル化する。
提案するフレームワークは,動的因果探索モジュール,因果符号化モジュール,予測モジュールの3つの部分から構成され,エンドツーエンドで訓練される。
論文 参考訳（メタデータ） (2023-09-30T20:59:42Z) - Dynamic landslide susceptibility mapping over recent three decades to
uncover variations in landslide causes in subtropical urban mountainous areas [17.570791791237387]
本研究は, 年次LSAに複数の予測モデルを用いた動的地すべり感受性マッピングを提案する。
選ばれた研究エリアは香港のランタウ島で、1992年から2019年までの総合的動的LSAを実施しました。
論文 参考訳（メタデータ） (2023-08-23T05:33:03Z) - A Comprehensive Survey of Forgetting in Deep Learning Beyond Continual
Learning [76.47138162283714]
蓄積とは、以前取得した情報や知識の喪失または劣化を指す。
フォッテッティングは、深層学習における様々な研究領域でよく見られる現象である。
調査では、忘れることは二重刃の剣であり、ある場合には有益で望ましいと論じている。
論文 参考訳（メタデータ） (2023-07-16T16:27:58Z) - Latent Traversals in Generative Models as Potential Flows [113.4232528843775]
我々は,学習された動的ポテンシャルランドスケープを持つ潜在構造をモデル化することを提案する。
物理、最適輸送、神経科学にインスパイアされたこれらの潜在的景観は、物理的に現実的な偏微分方程式として学習される。
本手法は,最先端のベースラインよりも定性的かつ定量的に歪んだ軌跡を実現する。
論文 参考訳（メタデータ） (2023-04-25T15:53:45Z) - The Difficulty of Passive Learning in Deep Reinforcement Learning [26.124032923011328]
アクティブな環境相互作用のない観測データから行動する学習は、強化学習(RL)の課題としてよく知られている。
最近のアプローチでは、学習したポリシーや保守的な更新に対する制約が伴い、データセットのステートアクション分布からの強い逸脱を防ぐ。
オフライン強化学習における困難を実証的に分析する「タンデム学習」実験パラダイムを提案する。
論文 参考訳（メタデータ） (2021-10-26T20:50:49Z) - Accurate and Robust Feature Importance Estimation under Distribution
Shifts [49.58991359544005]
PRoFILEは、新しい特徴重要度推定法である。
忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
論文 参考訳（メタデータ） (2020-09-30T05:29:01Z) - Influence Functions in Deep Learning Are Fragile [52.31375893260445]
影響関数は、テスト時間予測におけるサンプルの効果を近似する。
影響評価は浅いネットワークでは かなり正確です
ヘッセン正則化は、高品質な影響推定を得るために重要である。
論文 参考訳（メタデータ） (2020-06-25T18:25:59Z)
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。