論文の概要: ExEBench: Benchmarking Foundation Models on Extreme Earth Events

• arxiv url: http://arxiv.org/abs/2505.08529v1
• Date: Tue, 13 May 2025 13:02:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 20:57:54.571263
• Title: ExEBench: Benchmarking Foundation Models on Extreme Earth Events
• Title（参考訳）: ExEBench: 極地球イベントに関するベンチマークの基礎モデル
• Authors: Shan Zhao, Zhitong Xiong, Jie Zhao, Xiao Xiang Zhu,
• Abstract要約: 人類の生命や生態系に大きなリスクをもたらす、極端な出来事が頻繁に発生しています。 機械学習(ML)の最近の進歩は、特徴の抽出と災害管理の約束を示すものである。 これらのモデルは、トレーニングデータからバイアスを受け継ぎ、極端な値よりもパフォーマンスに挑戦することが多い。 textbfExEBenchは,洪水,山火事,嵐,熱帯低気圧,極端な降水量,熱波,寒波にまたがる7つの極端なイベントカテゴリの集合体である。
• 参考スコア（独自算出の注目度）: 25.64187994534061
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Our planet is facing increasingly frequent extreme events, which pose major risks to human lives and ecosystems. Recent advances in machine learning (ML), especially with foundation models (FMs) trained on extensive datasets, excel in extracting features and show promise in disaster management. Nevertheless, these models often inherit biases from training data, challenging their performance over extreme values. To explore the reliability of FM in the context of extreme events, we introduce \textbf{ExE}Bench (\textbf{Ex}treme \textbf{E}arth Benchmark), a collection of seven extreme event categories across floods, wildfires, storms, tropical cyclones, extreme precipitation, heatwaves, and cold waves. The dataset features global coverage, varying data volumes, and diverse data sources with different spatial, temporal, and spectral characteristics. To broaden the real-world impact of FMs, we include multiple challenging ML tasks that are closely aligned with operational needs in extreme events detection, monitoring, and forecasting. ExEBench aims to (1) assess FM generalizability across diverse, high-impact tasks and domains, (2) promote the development of novel ML methods that benefit disaster management, and (3) offer a platform for analyzing the interactions and cascading effects of extreme events to advance our understanding of Earth system, especially under the climate change expected in the decades to come. The dataset and code are public https://github.com/zhaoshan2/EarthExtreme-Bench.
• Abstract（参考訳）: 人類の生命や生態系に大きなリスクをもたらす、極端な出来事が頻繁に発生しています。 機械学習(ML)の最近の進歩、特に広範なデータセットで訓練された基礎モデル(FM)は、特徴の抽出に優れ、災害管理における約束を示す。 それでもこれらのモデルは、トレーニングデータからバイアスを受け取り、極端な値よりもパフォーマンスに挑戦することが多い。 極端事象の文脈におけるFMの信頼性を探るため,洪水,山火事,嵐,熱帯サイクロン,極端降水,熱波,寒波の7つの極端な事象カテゴリの収集である,\textbf{Ex}treme \textbf{E}arth Benchmarkを紹介した。 データセットは、グローバルなカバレッジ、さまざまなデータボリューム、異なる空間的、時間的、スペクトル的な特性を持つ多様なデータソースを備えている。 FMの現実的な影響を広げるために、極端なイベントの検出、監視、予測において、運用上のニーズと密接に整合した複数の挑戦的なMLタスクを含めます。 ExEBenchは,(1)多種多様な課題や領域にわたるFMの一般化性を評価すること,(2)災害管理に役立つ新しいML手法の開発を促進すること,(3)極端事象の相互作用とカスケード効果を分析し,地球系の理解を促進するためのプラットフォームを提供することを目標としている。 データセットとコードは、https://github.com/zhaoshan2/EarthExtreme-Benchである。

関連論文リスト

• ClimaEmpact: Domain-Aligned Small Language Models and Datasets for Extreme Weather Analytics [27.060978828050352]
  大規模言語モデル(LLM)は、膨大な量の構造化されていないテキストデータを処理し、意味のある洞察を抽出し、詳細な評価を生成する。 LLMは、言語理解をより小さなモデルにシームレスに移行し、特定のタスクを微調整しながら重要な知識を保持することができる。 構造化推論経路を組み込んだ小型言語モデル(SLM)を強化する手法であるExtreme Weather Reasoning-Aware Alignment (EWRA)を提案する。
  論文  参考訳（メタデータ） (2025-04-27T01:15:14Z)
• Foundation Models for Remote Sensing and Earth Observation: A Survey [101.77425018347557]
  本調査は、リモートセンシング基礎モデル(RSFM)の新しい分野を体系的にレビューする。 モチベーションと背景の概要から始まり、続いて基本概念が導入された。 我々はこれらのモデルを公開データセットと比較し、既存の課題について議論し、今後の研究方向性を提案する。
  論文  参考訳（メタデータ） (2024-10-22T01:08:21Z)
• MAVEN-Fact: A Large-scale Event Factuality Detection Dataset [55.01875707021496]
  我々は,MAVENデータセットに基づく大規模かつ高品質なEFDデータセットであるMAVEN-Factを紹介する。 MAVEN-Factには112,276のイベントのファクトリティアノテーションが含まれており、EFDデータセットとしては最大である。 MAVEN-Factは従来の微調整モデルと大規模言語モデル(LLM)の両方において困難であることを示す実験結果が得られた。
  論文  参考訳（メタデータ） (2024-07-22T03:43:46Z)
• DeepExtremeCubes: Integrating Earth system spatio-temporal data for impact assessment of climate extremes [5.736700805381591]
  機械学習技術は、将来性を示すが、十分に構造化され、高品質で、キュレートされた分析可能なデータセットを必要とする。 ここでは、熱波の周囲をマッピングし、干ばつによる極端な衝撃に対処するDeepExtremesデータベースを紹介します。 全世界で4万個以上の空間サンプリングされた小さなデータキューブ(すなわちミニキューブ)を含み、空間カバレッジは2.5×2.5kmである。
  論文  参考訳（メタデータ） (2024-06-26T08:53:26Z)
• CrisisMatch: Semi-Supervised Few-Shot Learning for Fine-Grained Disaster Tweet Classification [51.58605842457186]
  半教師付き, 少数ショットの学習環境下で, 微粒な災害ツイート分類モデルを提案する。 私たちのモデルであるCrisisMatchは、ラベルなしデータと大量のラベルなしデータを用いて、ツイートを関心の細かいクラスに効果的に分類する。
  論文  参考訳（メタデータ） (2023-10-23T07:01:09Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• A Spatiotemporal Deep Neural Network for Fine-Grained Multi-Horizon Wind Prediction [3.2474405288441544]
  本稿では,高精度かつ高精度な風速予測のための新しいデータ駆動モデルを提案する。 MHSTNは、シークエンス・ツー・シークエンス(Seq2Seq)バックボーンで異なる因子をターゲットにした複数のディープニューラルネットワークを統合する。 MHSTNはすでに中国で最も忙しい国際空港のスケジューリングプラットフォームに統合されている。
  論文  参考訳（メタデータ） (2023-09-09T09:36:28Z)
• Deep Learning based Extreme Heatwave Forecast [8.975667614727648]
  最先端のプラシム・プラネット・シミュレーターの気候モデルデータを用いて,大クラスのアンダーサンプリングと転送学習を含む畳み込みニューラルネットワークに基づく深層学習フレームワークが,極端な熱波の発生を予測する上で有意な性能を発揮することを示した。
  論文  参考訳（メタデータ） (2021-03-17T16:10:06Z)
• DeepClimGAN: A High-Resolution Climate Data Generator [60.59639064716545]
  地球系モデル(ESM)は、気候変動シナリオの将来の予測を生成するためにしばしば用いられる。 妥協として、エミュレータはかなり安価であるが、ESMの複雑さを全て備えているわけではない。 本稿では, ESMエミュレータとして, 条件付き生成逆数ネットワーク(GAN)の使用を実証する。
  論文  参考訳（メタデータ） (2020-11-23T20:13:37Z)

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。