論文の概要: A Data-Driven Probabilistic Framework for Cascading Urban Risk Analysis Using Bayesian Networks

• arxiv url: http://arxiv.org/abs/2505.06281v1
• Date: Wed, 07 May 2025 05:24:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:48.736901
• Title: A Data-Driven Probabilistic Framework for Cascading Urban Risk Analysis Using Bayesian Networks
• Title（参考訳）: ベイジアンネットワークを用いた都市リスク解析のためのデータ駆動確率的フレームワーク
• Authors: Chunduru Rohith Kumar, PHD Surya Shanmuk, Prabhala Naga Srinivas, Sri Venkatesh Lankalapalli, Debasis Dwibedy,
• Abstract要約: 本研究では,主要都市領域間のクロスドメインリスク伝播をネットワークベースで解析する手法を提案する。 このフレームワークは、現実世界の都市指標と合成データを組み合わせたハイブリッドデータセットでトレーニングされている。 その結果、ドメイン内およびドメイン間リスク要因を同定し、積極的な都市レジリエンス計画のためのフレームワークの有用性を実証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The increasing complexity of cascading risks in urban systems necessitates robust, data-driven frameworks to model interdependencies across multiple domains. This study presents a foundational Bayesian network-based approach for analyzing cross-domain risk propagation across key urban domains, including air, water, electricity, agriculture, health, infrastructure, weather, and climate. Directed Acyclic Graphs (DAGs) are constructed using Bayesian Belief Networks (BBNs), with structure learning guided by Hill-Climbing search optimized through Bayesian Information Criterion (BIC) and K2 scoring. The framework is trained on a hybrid dataset that combines real-world urban indicators with synthetically generated data from Generative Adversarial Networks (GANs), and is further balanced using the Synthetic Minority Over-sampling Technique (SMOTE). Conditional Probability Tables (CPTs) derived from the learned structures enable interpretable probabilistic reasoning and quantify the likelihood of cascading failures. The results identify key intra- and inter-domain risk factors and demonstrate the framework's utility for proactive urban resilience planning. This work establishes a scalable, interpretable foundation for cascading risk assessment and serves as a basis for future empirical research in this emerging interdisciplinary field.
• Abstract（参考訳）: 都市システムにおけるカスケードリスクの複雑さの増大は、複数のドメインにわたる相互依存をモデル化する堅牢でデータ駆動型のフレームワークを必要とする。 本研究では, 大気, 水, 電気, 農業, 健康, インフラ, 天気, 気候など, 主要都市領域におけるクロスドメインのリスク伝播を分析するための基礎的ベイズネットワークに基づくアプローチを提案する。 誘導非巡回グラフ (DAGs) はベイジアン・リーフ・ネットワーク (BBNs) を用いて構築され, ベイジアン・インフォメーション・クレージョン (BIC) とK2 スコアリングによって最適化されたヒルクライミング・サーチ (Hill-Climbing search) によって導かれる構造学習によって導かれる。 このフレームワークは、実世界の都市指標とGAN(Generative Adversarial Networks)の合成データを組み合わせたハイブリッドデータセットに基づいてトレーニングされており、さらにSMOTE(Synthetic Minority Over-Sampling Technique)を使用してバランスを取っている。 学習構造から派生した条件付き確率表(CPT)は、解釈可能な確率的推論を可能にし、カスケード障害の可能性を定量化する。 その結果、ドメイン内およびドメイン間リスク要因を同定し、積極的な都市レジリエンス計画のためのフレームワークの有用性を実証した。 この研究は、カスケードリスク評価のためのスケーラブルで解釈可能な基盤を確立し、この新興学際分野における将来の実証研究の基礎となる。

関連論文リスト

• Leveraging Large Language Models for Risk Assessment in Hyperconnected Logistic Hub Network Deployment [3.3454502835917035]
  ハブデプロイメントを成功させるためには、動的リスクアセスメントが不可欠です。 従来の手法では、構造化されていない情報を効果的に捉え分析するのに苦労することが多い。 このフレームワークは長期記憶にスケーラビリティを取り入れ、説明と解釈を通じて意思決定を強化する。
  論文  参考訳（メタデータ） (2025-03-27T03:13:22Z)
• Topology-Aware Conformal Prediction for Stream Networks [54.505880918607296]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• Risk-Averse Certification of Bayesian Neural Networks [70.44969603471903]
  本稿では,RAC-BNNと呼ばれるベイズニューラルネットワークに対するリスク・アバース認証フレームワークを提案する。 提案手法はサンプリングと最適化を利用して,BNNの出力集合の音響近似を計算する。 我々は,RAC-BNNを回帰および分類ベンチマークで検証し,その性能を最先端の手法と比較した。
  論文  参考訳（メタデータ） (2024-11-29T14:22:51Z)
• Enhanced Urban Region Profiling with Adversarial Self-Supervised Learning for Robust Forecasting and Security [12.8405655328298]
  既存のメソッドは、ノイズ、データ不完全性、セキュリティ脆弱性といった問題に悩まされることが多い。 本稿では,EUPAS(Adversarial Self-Supervised Learning)を用いた都市域プロファイリング手法を提案する。 EUPASは、犯罪予測、チェックイン予測、土地利用分類などの様々な予測タスクにおいて、堅牢なパフォーマンスを保証する。
  論文  参考訳（メタデータ） (2024-02-02T06:06:45Z)
• Detecting Vulnerable Nodes in Urban Infrastructure Interdependent Network [30.78792992230233]
  我々は、相互依存型ネットワークを異種グラフとしてモデル化し、強化学習を用いたグラフニューラルネットワークに基づくシステムを提案する。 提案システムは,深層学習技術を活用して異種グラフを解析し,カスケード故障のリスクを把握し,都市の脆弱なインフラを発見する。
  論文  参考訳（メタデータ） (2023-07-19T09:53:56Z)
• PS-FedGAN: An Efficient Federated Learning Framework Based on Partially Shared Generative Adversarial Networks For Data Privacy [56.347786940414935]
  分散計算のための効果的な学習パラダイムとして、フェデレートラーニング(FL)が登場した。 本研究は,部分的なGANモデル共有のみを必要とする新しいFLフレームワークを提案する。 PS-FedGANと名付けられたこの新しいフレームワークは、異種データ分散に対処するためのGANリリースおよびトレーニングメカニズムを強化する。
  論文  参考訳（メタデータ） (2023-05-19T05:39:40Z)
• Pitfalls of Climate Network Construction: A Statistical Perspective [13.623860700196625]
  球面上の時間依存等方性確率場をシミュレートし,共通ネットワーク構築手法を適用した。 推定手順から生じる不確実性が,ネットワーク特性に大きく影響を与える方法がいくつか見出された。
  論文  参考訳（メタデータ） (2022-11-05T11:59:55Z)
• Bayesian Structure Learning with Generative Flow Networks [85.84396514570373]
  ベイズ構造学習では、データから有向非巡回グラフ(DAG)上の分布を推定することに興味がある。 近年,ジェネレーティブ・フロー・ネットワーク(GFlowNets)と呼ばれる確率モデルのクラスが,ジェネレーティブ・モデリングの一般的なフレームワークとして紹介されている。 DAG-GFlowNetと呼ばれる本手法は,DAGよりも後方の正確な近似を提供する。
  論文  参考訳（メタデータ） (2022-02-28T15:53:10Z)
• Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
  本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。 また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
  論文  参考訳（メタデータ） (2020-12-01T11:46:03Z)
• Dataless Model Selection with the Deep Frame Potential [45.16941644841897]
  ネットワークをその固有の能力で定量化し、ユニークでロバストな表現を行う。 本稿では,表現安定性にほぼ関係するが,ネットワーク構造にのみ依存する最小限のコヒーレンス尺度であるディープフレームポテンシャルを提案する。 モデル選択の基準としての利用を検証するとともに,ネットワークアーキテクチャの多種多様な残差および密結合化について,一般化誤差との相関性を示す。
  論文  参考訳（メタデータ） (2020-03-30T23:27:25Z)

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。