論文の概要: Earthquake Damage Grades Prediction using An Ensemble Approach Integrating Advanced Machine and Deep Learning Models

• arxiv url: http://arxiv.org/abs/2506.22129v1
• Date: Fri, 27 Jun 2025 11:12:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 21:12:23.18453
• Title: Earthquake Damage Grades Prediction using An Ensemble Approach Integrating Advanced Machine and Deep Learning Models
• Title（参考訳）: 高度な機械学習モデルと深層学習モデルを組み合わせたアンサンブルアプローチによる地震被害度予測
• Authors: Anurag Panda, Gaurav Kumar Yadav,
• Abstract要約: 本研究は、SMOTE(Synthetic minority oversampling Technique)の助けを借りて、クラス不均衡の問題を扱う。 複数のクラス分類機械学習、ディープラーニングモデル、およびアンサンブル手法を探索し、構造的損傷度を推定する。
• 参考スコア（独自算出の注目度）: 0.7018591019975254
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the aftermath of major earthquakes, evaluating structural and infrastructural damage is vital for coordinating post-disaster response efforts. This includes assessing damage's extent and spatial distribution to prioritize rescue operations and resource allocation. Accurately estimating damage grades to buildings post-earthquake is paramount for effective response and recovery, given the significant impact on lives and properties, underscoring the urgency of streamlining relief fund allocation processes. Previous studies have shown the effectiveness of multi-class classification, especially XGBoost, along with other machine learning models and ensembling methods, incorporating regularization to address class imbalance. One consequence of class imbalance is that it may give rise to skewed models that undervalue minority classes and give preference to the majority class. This research deals with the problem of class imbalance with the help of the synthetic minority oversampling technique (SMOTE). We delve into multiple multi-class classification machine learning, deep learning models, and ensembling methods to forecast structural damage grades. The study elucidates performance determinants through comprehensive feature manipulation experiments and diverse training approaches. It identifies key factors contributing to seismic vulnerability while evaluating model performance using techniques like the confusion matrix further to enhance understanding of the effectiveness of earthquake damage prediction.
• Abstract（参考訳）: 大規模地震の余波において, 構造的・インフラ的被害の評価は, 災害後の対応の調整に不可欠である。 これには、救助活動の優先順位付けと資源配分のための損傷範囲と空間分布の評価が含まれる。 地震後の建物の被害度を正確に推定することは、生活や資産に大きな影響を与えることを考えると、効果的な応答と復旧に最重要であり、救済資金配分のプロセスの合理化の緊急性を強調している。 これまでの研究では、クラス不均衡に対処するために正規化を取り入れたマルチクラス分類、特にXGBoostと他の機械学習モデルとアンサンブル手法の有効性が示されてきた。 クラス不均衡の結果として、少数派クラスを過小評価し、多数派クラスを優先する歪んだモデルが生まれる可能性がある。 本研究は、SMOTE(Synthetic minority oversampling technique)の助けを借りて、クラス不均衡の問題を扱う。 複数のクラス分類機械学習、ディープラーニングモデル、およびアンサンブル手法を探索し、構造的損傷度を推定する。 本研究は,包括的特徴操作実験と多種多様なトレーニングアプローチにより,性能決定因子を解明する。 さらに, 地震被害予測の有効性の理解を深めるために, 混乱行列などの手法を用いてモデル性能を評価しながら, 地震の弱さに寄与する重要な要因を明らかにした。

関連論文リスト

• Multiclass Post-Earthquake Building Assessment Integrating High-Resolution Optical and SAR Satellite Imagery, Ground Motion, and Soil Data with Transformers [0.0]
  本研究では,地震後の高分解能衛星画像と構造物の耐震性能に関連する建築固有のメタデータを組み合わせたフレームワークを提案する。 2023年2月6日トルコ・シリア地震の建物群を対象とした多層地震後の被害同定において, 現状の成果が得られた。
  論文  参考訳（メタデータ） (2024-12-05T23:19:51Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• Understanding Robust Overfitting from the Feature Generalization Perspective [61.770805867606796]
  逆行訓練(AT)は、逆行摂動を自然データに組み込むことで、堅牢なニューラルネットワークを構築する。 これはロバストオーバーフィッティング(RO)の問題に悩まされ、モデルのロバスト性を著しく損なう。 本稿では,新しい特徴一般化の観点からROを考察する。
  論文  参考訳（メタデータ） (2023-10-01T07:57:03Z)
• Robustness and Generalization Performance of Deep Learning Models on Cyber-Physical Systems: A Comparative Study [71.84852429039881]
  調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。 我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
  論文  参考訳（メタデータ） (2023-06-13T12:43:59Z)
• On the Robustness of Random Forest Against Untargeted Data Poisoning: An Ensemble-Based Approach [42.81632484264218]
  機械学習モデルでは、トレーニングセット(中毒)の分画の摂動が、モデルの精度を著しく損なう可能性がある。 本研究の目的は、ランダムな森林を標的のない無作為な毒殺攻撃から保護する、新しいハッシュベースのアンサンブルアプローチを実現することである。
  論文  参考訳（メタデータ） (2022-09-28T11:41:38Z)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)
• A Comparative Evaluation of Machine Learning Algorithms for the Prediction of R/C Buildings' Seismic Damage [0.0]
  本稿では,R/C建築物の耐震性を予測するため,各種機械学習アルゴリズムの有効性を広範囲に評価する。 大規模な比較研究は、最も効率的な機械学習アルゴリズムによって利用される。 実験の結果,LightGBMアプローチはトレーニングの安定性,総合性能,決定係数を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2022-03-25T05:10:14Z)
• Interpretability in Convolutional Neural Networks for Building Damage Classification in Satellite Imagery [0.0]
  我々は、プレサスタ衛星画像とポストサスタ衛星画像とをラベル付けしたデータセットを使用して、建物ごとの損傷を評価する。 複数の畳み込みニューラルネットワーク(CNN)をトレーニングし、建物ごとの損傷を評価する。 我々の研究は、人為的気候変動による人道的危機の進行に、計算的に貢献することを目指している。
  論文  参考訳（メタデータ） (2022-01-24T16:55:56Z)
• Clustering Effect of (Linearized) Adversarial Robust Models [60.25668525218051]
  本稿では, 敵の強靭性に対する新たな理解を提案し, ドメイン適応や頑健性向上といったタスクに適用する。 提案したクラスタリング戦略の合理性と優越性を実験的に評価した。
  論文  参考訳（メタデータ） (2021-11-25T05:51:03Z)

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。