論文の概要: Can We Predict the Unpredictable? Leveraging DisasterNet-LLM for Multimodal Disaster Classification
- arxiv url: http://arxiv.org/abs/2506.23462v1
- Date: Mon, 30 Jun 2025 01:56:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-01 21:27:53.887289
- Title: Can We Predict the Unpredictable? Leveraging DisasterNet-LLM for Multimodal Disaster Classification
- Title(参考訳): 予測不能な災害予測は可能か?マルチモーダル災害分類における災害ネット-LLMの活用
- Authors: Manaswi Kulahara, Gautam Siddharth Kashyap, Nipun Joshi, Arpita Soni,
- Abstract要約: disasterNet-LLMは、総合的な災害解析のために設計された特殊言語モデル(LLM)である。
高度プレトレーニング,クロスモーダルアテンション機構,適応トランスフォーマーを活用することで,災害分類に優れる。
- 参考スコア(独自算出の注目度): 0.46873264197900916
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Effective disaster management requires timely and accurate insights, yet traditional methods struggle to integrate multimodal data such as images, weather records, and textual reports. To address this, we propose DisasterNet-LLM, a specialized Large Language Model (LLM) designed for comprehensive disaster analysis. By leveraging advanced pretraining, cross-modal attention mechanisms, and adaptive transformers, DisasterNet-LLM excels in disaster classification. Experimental results demonstrate its superiority over state-of-the-art models, achieving higher accuracy of 89.5%, an F1 score of 88.0%, AUC of 0.92%, and BERTScore of 0.88% in multimodal disaster classification tasks.
- Abstract(参考訳): 効果的な災害管理には、タイムリーで正確な洞察が必要であるが、従来の手法では、画像、気象記録、テキストレポートなどのマルチモーダルデータを統合するのに苦労している。
そこで本研究では,総合的な災害解析を目的とした大規模言語モデル (LLM) であるDermaNet-LLMを提案する。
高度プレトレーニング,クロスモーダルアテンション機構,適応トランスフォーマーを活用することで,災害分類に優れる。
実験結果は、最先端モデルよりも優れており、精度89.5%、F1スコア88.0%、AUC0.92%、BERTScore0.88%のマルチモーダル災害分類タスクを実現している。
関連論文リスト
- Global-Decision-Focused Neural ODEs for Proactive Grid Resilience Management [50.34345101758248]
本稿では,機能停止予測とグローバルに最適化された介入を統合するフレームワークPATOGを提案する。
提案手法は,空間的かつ時間的に整合性のある意思決定を保証し,予測精度と操作効率を両立させる。
合成および実世界のデータセットの実験では、停止予測一貫性とグリッドレジリエンスが大幅に改善された。
論文 参考訳(メタデータ) (2025-02-25T16:15:35Z) - Predictive Crash Analytics for Traffic Safety using Deep Learning [0.0]
本研究では,アンサンブル学習手法とマルチモーダルデータ融合を統合した交通安全解析手法を提案する。
我々の主な貢献は、時空間の衝突パターンと環境条件を組み合わせた階層的な重大度分類システムの開発である。
本稿では,事故発生時の位置データをインシデントレポートや気象条件と統合し,リスク予測の精度92.4%,ホットスポット識別の精度89.7%を達成できる新しい特徴工学手法を提案する。
論文 参考訳(メタデータ) (2025-02-09T05:00:46Z) - A Knowledge-Informed Large Language Model Framework for U.S. Nuclear Power Plant Shutdown Initiating Event Classification for Probabilistic Risk Assessment [6.200373536860575]
本研究では,知識インフォームド・機械学習・モードを組み込んで非SDIEをプリスクリーンするハイブリッド・パイプラインと,SDIEを4つのタイプに分類する大規模言語モデル(LLM)を提案する。
提案手法は,精度,リコール率,F1スコア,平均精度を用いて,10,928イベントのデータセットを用いて評価した。
論文 参考訳(メタデータ) (2024-09-30T20:35:03Z) - 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) - 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) - 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) - DeCrisisMB: Debiased Semi-Supervised Learning for Crisis Tweet
Classification via Memory Bank [52.20298962359658]
危機イベントにおいて、人々は、状況、警告、アドバイス、サポートに関する情報を広めるために、Twitterのようなソーシャルメディアプラットフォームを使うことが多い。
完全に教師されたアプローチでは、大量のデータを注釈付けする必要があります。
半教師付きモデルは偏りがあり、特定のクラスでは適度に機能し、他のクラスでは極めて貧弱である。
本稿では,メモリバンクを用いて,各学習クラスから生成された擬似ラベルを等しくサンプリングする,単純かつ効果的なデバイアス処理手法であるDeCrisisMBを提案する。
論文 参考訳(メタデータ) (2023-10-23T05:25:51Z) - 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) - GaLeNet: Multimodal Learning for Disaster Prediction, Management and
Relief [2.007385102792989]
本稿では,災害前画像と気象データとハリケーンの軌跡を補完することにより,被害の深刻度を評価するためのマルチモーダル・フレームワーク(GaLeNet)を提案する。
本稿では,GaLeNetがディスラスタ画像の欠如により,事前ディスラスタ画像の活用が可能であることを示し,意思決定の大幅な遅延を防止できることを示す。
論文 参考訳(メタデータ) (2022-06-18T16:45:57Z) - A Machine learning approach for rapid disaster response based on
multi-modal data. The case of housing & shelter needs [0.0]
災害に遭った人々の最も直接的なニーズの1つは避難所を見つけることである。
本稿では,マルチモーダルデータの融合と解析を目的とした機械学習ワークフローを提案する。
世界中の200以上の災害に対する19の特徴のデータベースに基づいて、意思決定レベルでの融合アプローチが用いられた。
論文 参考訳(メタデータ) (2021-07-29T18:22:34Z) - A model for traffic incident prediction using emergency braking data [77.34726150561087]
道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。
メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
論文 参考訳(メタデータ) (2021-02-12T18:17:12Z)
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。