論文の概要: LLMs as World Models: Data-Driven and Human-Centered Pre-Event Simulation for Disaster Impact Assessment

• arxiv url: http://arxiv.org/abs/2506.06355v1
• Date: Mon, 02 Jun 2025 22:07:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.223329
• Title: LLMs as World Models: Data-Driven and Human-Centered Pre-Event Simulation for Disaster Impact Assessment
• Title（参考訳）: 世界モデルとしてのLLM:災害影響評価のためのデータ駆動型・人間中心型プレイベントシミュレーション
• Authors: Lingyao Li, Dawei Li, Zhenhui Ou, Xiaoran Xu, Jingxiao Liu, Zihui Ma, Runlong Yu, Min Deng,
• Abstract要約: 本研究では,複数の大規模言語モデル(LLM)について検討し,地震の影響を推定する。 我々のフレームワークは、ジップコードと郡規模で修正メルカリー強度(MMI)予測を生成する。 2014年ナパ地震と2019年リッジクレスト地震のUSGS'Did You Feel It?
• 参考スコア（独自算出の注目度）: 6.787695140978638
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Efficient simulation is essential for enhancing proactive preparedness for sudden-onset disasters such as earthquakes. Recent advancements in large language models (LLMs) as world models show promise in simulating complex scenarios. This study examines multiple LLMs to proactively estimate perceived earthquake impacts. Leveraging multimodal datasets including geospatial, socioeconomic, building, and street-level imagery data, our framework generates Modified Mercalli Intensity (MMI) predictions at zip code and county scales. Evaluations on the 2014 Napa and 2019 Ridgecrest earthquakes using USGS ''Did You Feel It? (DYFI)'' reports demonstrate significant alignment, as evidenced by a high correlation of 0.88 and a low RMSE of 0.77 as compared to real reports at the zip code level. Techniques such as RAG and ICL can improve simulation performance, while visual inputs notably enhance accuracy compared to structured numerical data alone. These findings show the promise of LLMs in simulating disaster impacts that can help strengthen pre-event planning.
• Abstract（参考訳）: 地震等の急激な災害に備えた積極的準備性を高めるためには,効率的なシミュレーションが不可欠である。 世界モデルとしての大規模言語モデル(LLM)の最近の進歩は、複雑なシナリオをシミュレートする上で有望であることを示している。 本研究では,複数のLLMを用いて地震の影響を積極的に推定する。 地理空間、社会経済、建築、街路レベルの画像データを含むマルチモーダルデータセットを活用することで、当社のフレームワークは、ジップコードと郡スケールでのMMI(Modified Mercalli Intensity)予測を生成する。 USGS 'Did You Feel It? (DYFI)' による2014年ナパ地震と2019年リッジクレスト地震の評価は、zip符号レベルでの実際の報告と比較して、0.88と低いRMSEの0.77の相関関係によって証明されているように、かなりの整合性を示している。 RAGやICLのような技術はシミュレーション性能を向上させるが、視覚的な入力は構造化された数値データのみと比較して精度を顕著に向上させる。 これらの結果から, プレイベント計画の強化に寄与する災害影響をシミュレーションする上で, LLMが期待できることが示唆された。

関連論文リスト

• Mitigating Forgetting in LLM Fine-Tuning via Low-Perplexity Token Learning [61.99353167168545]
  LLM生成データによる微調整により,目標タスクの性能が向上し,非目標タスクの劣化が低減されることを示す。 微調整後のLSMにおける破滅的忘れを緩和するために、トークンの難易度低減に基づく経験的説明を提供する最初の研究である。
  論文  参考訳（メタデータ） (2025-01-24T08:18:56Z)
• Storm Surge Modeling in the AI ERA: Using LSTM-based Machine Learning for Enhancing Forecasting Accuracy [0.7149367973754319]
  LSTMに基づくディープラーニングネットワーク機械学習アーキテクチャを提案する。 本研究の全体的な目標は,物理モデルのシステム的誤差を予測し,シミュレーション結果の精度を向上させることである。
  論文  参考訳（メタデータ） (2024-03-07T13:19:38Z)
• Data-Driven Prediction of Seismic Intensity Distributions Featuring Hybrid Classification-Regression Models [21.327960186900885]
  本研究では, 地震パラメータに基づいて地震強度分布を予測できる線形回帰モデルを開発した。 このデータセットは、1997年から2020年にかけて日本近海で発生した地震の震度データからなる。 提案モデルでは, 従来のGMPEにおける課題として, 異常な震度分布を予測できる。
  論文  参考訳（メタデータ） (2024-02-03T13:39:22Z)
• Simulation-Enhanced Data Augmentation for Machine Learning Pathloss Prediction [9.664420734674088]
  本稿では,機械学習パスロス予測のための新しいシミュレーション強化データ拡張手法を提案する。 本手法は,細胞被覆シミュレータから生成した合成データと,独立して収集した実世界のデータセットを統合する。 合成データの統合は、異なる環境におけるモデルの一般化可能性を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-02-03T00:38:08Z)
• To Repeat or Not To Repeat: Insights from Scaling LLM under Token-Crisis [50.31589712761807]
  大規模言語モデル(LLM)は、事前トレーニング中にトークンに悩まされていることで知られており、Web上の高品質なテキストデータは、LSMのスケーリング制限に近づいている。 本研究では,事前学習データの再学習の結果について検討し,モデルが過度に適合する可能性が示唆された。 第2に, マルチエポック劣化の原因となる要因について検討し, データセットのサイズ, モデルパラメータ, トレーニング目標など, 重要な要因について検討した。
  論文  参考訳（メタデータ） (2023-05-22T17:02:15Z)
• CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
  本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。 このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。 提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
  論文  参考訳（メタデータ） (2022-03-03T05:58:49Z)
• A CNN-BiLSTM Model with Attention Mechanism for Earthquake Prediction [0.0]
  本稿では、注意機構(AM)、畳み込みニューラルネットワーク(CNN)、双方向長短期記憶(BiLSTM)モデルに基づく新しい予測手法を提案する。 中国本土の地震カタログに基づいて,各地域の地震の規模と規模を推定することができる。
  論文  参考訳（メタデータ） (2021-12-26T20:16:20Z)
• Deep Learning Based Cloud Cover Parameterization for ICON [55.49957005291674]
  我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。 グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。 我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
  論文  参考訳（メタデータ） (2021-12-21T16:10:45Z)

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。