論文の概要: Optimizing Fire Safety: Reducing False Alarms Using Advanced Machine Learning Techniques

• arxiv url: http://arxiv.org/abs/2503.09960v1
• Date: Thu, 13 Mar 2025 02:07:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-14 15:54:30.602586
• Title: Optimizing Fire Safety: Reducing False Alarms Using Advanced Machine Learning Techniques
• Title（参考訳）: 火災の安全を最適化する - 高度な機械学習技術を用いた偽警報を減らす
• Authors: Muhammad Hassan Jamal, Abdulwahab Alazeb, Shahid Allah Bakhsh, Wadii Boulila, Syed Aziz Shah, Aizaz Ahmad Khattak, Muhammad Shahbaz Khan,
• Abstract要約: 本稿では,誤報の低減のための高精度かつ効率的な重み付けアンサンブルモデルを提案する。 密度を推定し、高密度と低密度の領域に応じて重みを計算し、高い領域の重みをKNNに、低い領域の重みをXGBoostに転送する。 提案手法は, 応答時間の短縮, 火災の安全性の向上, 火災の原因となる損傷の最小化に有効である。
• 参考スコア（独自算出の注目度）: 0.4756501539613405
• License:
• Abstract: Fire safety practices are important to reduce the extent of destruction caused by fire. While smoke alarms help save lives, firefighters struggle with the increasing number of false alarms. This paper presents a precise and efficient Weighted ensemble model for decreasing false alarms. It estimates the density, computes weights according to the high and low-density regions, forwards the high region weights to KNN and low region weights to XGBoost and combines the predictions. The proposed model is effective at reducing response time, increasing fire safety, and minimizing the damage that fires cause. A specifically designed dataset for smoke detection is utilized to test the proposed model. In addition, a variety of ML models, such as Logistic Regression (LR), Decision Tree (DT), Random Forest (RF), Nai:ve Bayes (NB), K-Nearest Neighbour (KNN), Support Vector Machine (SVM), Extreme Gradient Boosting (XGBoost), Adaptive Boosting (ADAB), have also been utilized. To maximize the use of the smoke detection dataset, all the algorithms utilize the SMOTE re-sampling technique. After evaluating the assessment criteria, this paper presents a concise summary of the comprehensive findings obtained by comparing the outcomes of all models.
• Abstract（参考訳）: 火災による破壊の程度を減らすためには、火災安全の実践が重要である。 煙の警報が命を救うのに役立ち、消防士は誤報の増加に苦しむ。 本稿では,誤報の低減のための高精度かつ効率的な重み付きアンサンブルモデルを提案する。 密度を推定し、高密度と低密度の領域に応じて重みを計算し、高い領域の重みをKNNに、低い領域の重みをXGBoostに転送し、予測を組み合わせる。 提案手法は, 応答時間の短縮, 火災の安全性の向上, 火災の原因となる損傷の最小化に有効である。 煙の検知のために特別に設計されたデータセットを用いて提案したモデルをテストする。 さらに、ロジスティック回帰(LR)、決定木(DT)、ランダムフォレスト(RF)、ナイ:ve Bayes(NB)、K-Nearest Neighbour(KNN)、サポートベクトルマシン(SVM)、Extreme Gradient Boosting(XGBoost)、Adaptive Boosting(ADAB)といったMLモデルも活用されている。 スモーク検出データセットの使用を最大化するために、全てのアルゴリズムはSMOTE再サンプリング技術を利用している。 評価基準を評価した上で,全モデルの結果を比較して得られた包括的知見の簡潔な要約を示す。

関連論文リスト

• Noisy Test-Time Adaptation in Vision-Language Models [73.14136220844156]
  テスト時間適応(TTA)は、テスト中のターゲットデータのみに依存することにより、ソースデータとターゲットデータの分散シフトに対処することを目的としている。 本稿では、ゼロショット方式で、テスト時にノイズのあるサンプルをターゲットとするデータにモデルを適応させることに焦点を当てたゼロショットノイズTTA(ZS-NTTA)を提案する。 本稿では, 冷凍機の出力を擬似ラベルとして利用し, ノイズ検出器の訓練を行う適応ノイズ検出器(AdaND)を提案する。
  論文  参考訳（メタデータ） (2025-02-20T14:37:53Z)
• Adversarial Robustness for Deep Learning-based Wildfire Prediction Models [3.4528046839403905]
  本稿では,山火事検出モデルの対角的堅牢性を評価するための,最初のモデルに依存しないフレームワークであるWARPを紹介する。 WARPは、大域的および局所的な敵攻撃手法を用いて、煙像の多様性の限界に対処する。 WARPの包括的な堅牢性分析は、山火事固有のデータ拡張戦略の開発に寄与した。
  論文  参考訳（メタデータ） (2024-12-28T04:06:29Z)
• Data-Agnostic Model Poisoning against Federated Learning: A Graph Autoencoder Approach [65.2993866461477]
  本稿では,フェデレートラーニング(FL)に対するデータに依存しないモデル中毒攻撃を提案する。 この攻撃はFLトレーニングデータの知識を必要とせず、有効性と検出不能の両方を達成する。 実験により、FLの精度は提案した攻撃の下で徐々に低下し、既存の防御機構では検出できないことが示された。
  論文  参考訳（メタデータ） (2023-11-30T12:19:10Z)
• Modelling wildland fire burn severity in California using a spatial Super Learner approach [0.04188114563181614]
  米国西部の森林火災の頻度が高まる中、燃え尽き症候群を理解・正確に予測するツールを開発する必要がある。 遠隔で検知した火災予報データを用いて,燃焼後重大度を予測する機械学習モデルを開発した。 このモデルが実装されると、カリフォルニアの人命、財産、資源、生態系が失われる可能性がある。
  論文  参考訳（メタデータ） (2023-11-25T22:09:14Z)
• Wasserstein distributional robustness of neural networks [9.79503506460041]
  ディープニューラルネットワークは敵攻撃(AA)に弱いことが知られている 画像認識タスクでは、元の小さな摂動によって画像が誤分類される可能性がある。 本稿では,Wassersteinの分散ロバスト最適化(DRO)技術を用いて問題を再検討し,新しいコントリビューションを得た。
  論文  参考訳（メタデータ） (2023-06-16T13:41:24Z)
• Image-Based Fire Detection in Industrial Environments with YOLOv4 [53.180678723280145]
  この研究は、AIが火災を検出し、認識し、画像ストリーム上のオブジェクト検出を使用して検出時間を短縮する可能性を検討する。 そこで我々は, YOLOv4オブジェクト検出器をベースとした複数のモデルのトレーニングと評価に使用されてきた複数の公開情報源から, 適切なデータを収集, ラベル付けした。
  論文  参考訳（メタデータ） (2022-12-09T11:32:36Z)
• Your Out-of-Distribution Detection Method is Not Robust! [0.4893345190925178]
  オフ・オブ・ディストリビューション(OOD)検出は,信頼性と安全性において領域外サンプルを特定することの重要性から,近年注目されている。 この問題を緩和するために、最近いくつかの防衛策が提案されている。 我々は、より大きな摂動サイズを持つイン/アウトデータに対するエンドツーエンドのPGD攻撃に対して、これらの防御を再検討する。
  論文  参考訳（メタデータ） (2022-09-30T05:49:00Z)
• UNBUS: Uncertainty-aware Deep Botnet Detection System in Presence of Perturbed Samples [1.2691047660244335]
  ボットネット検出には極めて低い偽陽性率(FPR)が必要であるが、現代のディープラーニングでは一般的に達成できない。 本稿では,98%以上の精度のボットネット分類のためのLSTMに基づく2つの分類アルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2022-04-18T21:49:14Z)
• How Robust are Randomized Smoothing based Defenses to Data Poisoning? [66.80663779176979]
  我々は、トレーニングデータの品質の重要性を強調する堅牢な機械学習モデルに対して、これまで認識されていなかった脅威を提示します。 本稿では,二段階最適化に基づく新たなデータ中毒攻撃法を提案し,ロバストな分類器のロバスト性を保証する。 我々の攻撃は、被害者が最先端のロバストな訓練方法を用いて、ゼロからモデルを訓練しても効果的である。
  論文  参考訳（メタデータ） (2020-12-02T15:30:21Z)
• Probing Model Signal-Awareness via Prediction-Preserving Input Minimization [67.62847721118142]
  モデルが正しい脆弱性信号を捕捉して予測する能力を評価する。 SAR(Signal-Aware Recall)と呼ばれる新しい指標を用いて,モデルの信号認識を計測する。 その結果,90年代以降のリコールから60年代以降のリコールは,新たな指標で大幅に減少した。
  論文  参考訳（メタデータ） (2020-11-25T20:05:23Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)

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。