論文の概要: Emergency Response Inference Mapping (ERIMap): A Bayesian network-based method for dynamic observation processing

• arxiv url: http://arxiv.org/abs/2403.06716v2
• Date: Tue, 11 Mar 2025 14:23:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 15:38:39.444608
• Title: Emergency Response Inference Mapping (ERIMap): A Bayesian network-based method for dynamic observation processing
• Title（参考訳）: 緊急対応推論マッピング(ERIMap):動的観察処理のためのベイズネットワークに基づく手法
• Authors: Moritz Schneider, Lukas Halekotte, Tina Comes, Daniel Lichte, Frank Fiedrich,
• Abstract要約: 緊急時には、しばしば時間的プレッシャーと緊張の下で高い利害決定を行う必要がある。 現在,情報処理や状況評価には体系的なアプローチが欠如している。 本稿では,緊急時に複雑な情報スケープに合わせたERIMapというベイズ型ネットワーク方式を提案する。
• 参考スコア（独自算出の注目度）: 1.0998375857698495
• License:
• Abstract: In emergencies, high stake decisions often have to be made under time pressure and strain. In order to support such decisions, information from various sources needs to be collected and processed rapidly. The information available tends to be temporally and spatially variable, uncertain, and sometimes conflicting, leading to potential biases in decisions. Currently, there is a lack of systematic approaches for information processing and situation assessment which meet the particular demands of emergency situations. To address this gap, we present a Bayesian network-based method called ERIMap that is tailored to the complex information-scape during emergencies. The method enables the systematic and rapid processing of heterogeneous and potentially uncertain observations and draws inferences about key variables of an emergency. It thereby reduces complexity and cognitive load for decision makers. The output of the ERIMap method is a dynamically evolving and spatially resolved map of beliefs about key variables of an emergency that is updated each time a new observation becomes available. The method is illustrated in a case study in which an emergency response is triggered by an accident causing a gas leakage on a chemical plant site.
• Abstract（参考訳）: 緊急時には、しばしば時間的プレッシャーと緊張の下で高い利害決定を行う必要がある。 このような決定を支援するためには、様々な情報源からの情報を収集し、迅速に処理する必要がある。 利用可能な情報は時間的に、空間的に変動し、不確実であり、時には矛盾する傾向にあり、決定に潜在的なバイアスをもたらす。 現在、緊急時の特定の要求を満たす情報処理や状況評価の体系的なアプローチが欠如している。 このギャップに対処するために、緊急時に複雑な情報スケープに合わせたERIMapと呼ばれるベイズネットワークベースの手法を提案する。 この方法は、不均一で潜在的に不確実な観測の体系的かつ迅速な処理を可能にし、緊急時の重要な変数に関する推論を引き出す。 これにより、意思決定者の複雑さと認知的負荷が軽減される。 The output of the ERIMap method is a dynamic evolution and spacelysolved map of beliefs about a key variables of an emergency that is updated each when a new observed is available。 本手法は, 化学プラントのガス漏れの原因となる事故により緊急応答が引き起こされるケーススタディである。

関連論文リスト

• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Multi-Agent Reinforcement Learning with Hierarchical Coordination for Emergency Responder Stationing [8.293120269016834]
  緊急対応者管理システム(ERM)は、医療援助の要請を受けたときに対応者を派遣する。 ERMシステムは、任意のギャップをカバーするために予め指定された待機場所間で応答器を積極的に再配置することができる。 プロアクティブな再配置における最先端のアプローチは、空間分解とオンラインモンテカルロ木探索に基づく階層的なアプローチである。 同じ階層的な分解に基づく新しい強化学習(RL)アプローチを導入するが、オンライン検索を学習に置き換える。
  論文  参考訳（メタデータ） (2024-05-21T21:15:45Z)
• Sequential Attention Source Identification Based on Feature Representation [88.05527934953311]
  本稿では,テンポラルシーケンスに基づくグラフ注意源同定(TGASI)と呼ばれるシーケンス・ツー・シーケンス・ベースのローカライズ・フレームワークを提案する。 なお、このインダクティブラーニングのアイデアは、TGASIが他の事前の知識を知らずに新しいシナリオのソースを検出できることを保証する。
  論文  参考訳（メタデータ） (2023-06-28T03:00:28Z)
• Change Detection for Local Explainability in Evolving Data Streams [72.4816340552763]
  局所的特徴帰属法はポストホックやモデルに依存しない説明法として人気がある。 ローカルな属性が、ストリーミングやオンラインアプリケーションのような、現実的で絶えず変化する設定でどのように振る舞うかは、しばしば不明である。 局所変化と概念ドリフトを検出するフレキシブルでモデルに依存しないCDLEEDSを提案する。
  論文  参考訳（メタデータ） (2022-09-06T18:38:34Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Stateful Offline Contextual Policy Evaluation and Learning [88.9134799076718]
  我々は、シーケンシャルデータから、政治以外の評価と学習について研究する。 動的パーソナライズされた価格設定などの問題の因果構造を形式化する。 本報告では,本クラスにおけるアウト・オブ・サンプル・ポリシーの性能改善について述べる。
  論文  参考訳（メタデータ） (2021-10-19T16:15:56Z)
• Spatial-Temporal Conv-sequence Learning with Accident Encoding for Traffic Flow Prediction [17.94199362114272]
  インテリジェント交通システムにおいて、交通予測の重要な問題は、周期的時間的依存関係と複雑な空間的相関を抽出する方法である。 本研究では、集中時間ブロックが一方向の畳み込みを用いて、短時間の時間的依存を効果的に捉えた時空間連続学習(STCL)を提案する。 本研究では,大規模実世界のタスクについて広範な実験を行い,提案手法の有効性を検証した。
  論文  参考訳（メタデータ） (2021-05-21T17:43:07Z)
• Learning Dependencies in Distributed Cloud Applications to Identify and Localize Anomalies [58.88325379746632]
  本稿では、システムコンポーネントをノードとしてモデル化し、その依存関係をエッジとしてモデル化し、異常の識別と局在を改善するニューラルグラフ変換手法であるArvalusとその変種D-Arvalusを紹介します。 一連のメトリックを考えると、私たちの方法は最も可能性の高いシステム状態 - 正常または異常クラス - を予測し、異常が検出されたときにローカライズを行います。 この評価は、一般にArvalusの良好な予測性能を示し、システムコンポーネント依存性に関する情報を組み込んだD-Arvalusの利点を明らかにします。
  論文  参考訳（メタデータ） (2021-03-09T06:34:05Z)
• Improving Community Resiliency and Emergency Response With Artificial Intelligence [0.05541644538483946]
  我々は、ステークホルダーが包括的で関連性があり、信頼できる情報にタイムリーにアクセスできるようにする、多段階の緊急対応ツールを目指しています。 本ツールは, 浸水リスク位置, 道路ネットワーク強度, 浸水マップ, 浸水地や被害インフラを推定するコンピュータビジョンセマンティックセマンティックセマンティックセグメンテーションなど, オープンソースの地理空間データの複数の層を符号化して構成する。 これらのデータレイヤを組み合わせて、緊急時の避難経路の検索や、最初に影響を受けたエリアで最初の応答者のために利用可能な宿泊場所のリストを提供するなど、機械学習アルゴリズムの入力データとして利用する。
  論文  参考訳（メタデータ） (2020-05-28T18:05:08Z)
• On Algorithmic Decision Procedures in Emergency Response Systems in Smart and Connected Communities [21.22596396400625]
  緊急対応管理(ERM)は、世界中のコミュニティが直面している重要な問題である。 我々は、ERMシステムの計画の重要な期間は、事故後ではなく、事故間にあると論じる。 本稿では,ディスパッチ問題の構造を活用・活用する2つの部分分散マルチエージェント計画アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-01-21T07:04:38Z)
• Root Cause Detection Among Anomalous Time Series Using Temporal State Alignment [0.0]
  本稿では,時系列変動のパターンを解析することにより,異常の根本原因を抽出する手法を提案する。 この考え方は、問題が不整合であるが、基底状態の均質なシフトを引き起こすときの効果の伝播を追跡することである。 そこで我々は,Zillows クリックストリームデータにおける異常の根本原因を,観測された変動の集合の中の因果パターンを同定することにより評価した。
  論文  参考訳（メタデータ） (2020-01-04T08:31:34Z)

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。