論文の概要: ALCo-FM: Adaptive Long-Context Foundation Model for Accident Prediction

• arxiv url: http://arxiv.org/abs/2507.08153v1
• Date: Thu, 10 Jul 2025 20:22:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-14 18:03:54.16426
• Title: ALCo-FM: Adaptive Long-Context Foundation Model for Accident Prediction
• Title（参考訳）: ALCo-FM:事故予測のための適応的ロングコンテキスト基礎モデル
• Authors: Pinaki Prasad Guha Neogi, Ahmad Mohammadshirazi, Rajiv Ramnath,
• Abstract要約: 本稿では,入力データに対するコンテキストウィンドウを動的に選択するためのボラティリティ事前スコアを演算する適応長コンテキスト基盤モデルであるALCo-FMを紹介する。 ALCo-FMは15都市のデータに基づいて訓練され、0.94の精度、0.92のF1、そして0.04のECEを達成し、大規模な都市リスク予測において20以上の最先端のベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 1.3654846342364306
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traffic accidents are rare, yet high-impact events that require long-context multimodal reasoning for accurate risk forecasting. In this paper, we introduce ALCo-FM, a unified adaptive long-context foundation model that computes a volatility pre-score to dynamically select context windows for input data and encodes and fuses these multimodal data via shallow cross attention. Following a local GAT layer and a BigBird-style sparse global transformer over H3 hexagonal grids, coupled with Monte Carlo dropout for confidence, the model yields superior, well-calibrated predictions. Trained on data from 15 US cities with a class-weighted loss to counter label imbalance, and fine-tuned with minimal data on held-out cities, ALCo-FM achieves 0.94 accuracy, 0.92 F1, and an ECE of 0.04, outperforming more than 20 state-of-the-art baselines in large-scale urban risk prediction. Code and dataset are available at: https://github.com/PinakiPrasad12/ALCo-FM
• Abstract（参考訳）: 交通事故は稀であるが、正確なリスク予測のために長文のマルチモーダル推論を必要とする高影響の出来事である。 本稿では,入力データに対するコンテキストウィンドウを動的に選択するためのボラティリティ事前スコアを計算し,これらのマルチモーダルデータを浅いクロスアテンションで符号化・融合する,統一型適応長コンテキスト基盤モデルであるALCo-FMを紹介する。 局所的なGAT層と、H3ヘキサゴナルグリッド上のBigBirdスタイルのスパースグローバルトランスフォーマー、信頼のためにモンテカルロのドロップアウトと組み合わせると、モデルは優れた、よく校正された予測をもたらす。 ラベルの不均衡に対応するために階級差のある15の都市からのデータに基づいて訓練され、ホールトアウトされた都市で最小限のデータで微調整され、ALCo-FMは0.94の精度、0.92のF1、ECEの0.04のデータを達成し、大規模な都市リスク予測において20以上の最先端のベースラインを上回っている。 コードとデータセットは、https://github.com/PinakiPrasad12/ALCo-FMで入手できる。

関連論文リスト

• T3Time: Tri-Modal Time Series Forecasting via Adaptive Multi-Head Alignment and Residual Fusion [0.4915744683251151]
  T3Timeは、時間、スペクトル、プロンプトブランチで構成される新しい3モーダルフレームワークである。 予測地平線に基づいて時間的特徴とスペクトル的特徴の優先順位付けを学習する。 我々のモデルは一貫して最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-08-06T09:31:44Z)
• Rule-based Evolving Fuzzy System for Time Series Forecasting: New Perspectives Based on Type-2 Fuzzy Sets Measures Approach [0.0]
  実世界のデータは、ランダム性として知られる外部変数と相関できる不確実性や変動を含んでいる。 このタイプのデータを扱う既存の方法の1つは、進化しているファジィシステム(eFS)を使用することである。 ePL-KRLS-FSM+は,ファジィ論理と参加型学習(PL)を組み合わせ,ファジィ集合(FS)へのデータ変換を行うファジィモデリング手法である。 この改善により、データの不確実性をよりよく扱うためのタイプ2ファジィセットの作成と測定が可能になり、より精度の高いカオスデータを予測できるモデルを生成することができる。
  論文  参考訳（メタデータ） (2025-02-05T22:27:20Z)
• FedMUP: Federated Learning driven Malicious User Prediction Model for Secure Data Distribution in Cloud Environments [5.132064656947053]
  本稿では,クラウド環境におけるセキュアなデータ配信のためのフェデレート学習駆動型悪意ユーザ予測モデルを提案する。 ユーザ行動を分析して、複数のセキュリティリスクパラメータを取得する。その後、フェデレートされた学習駆動の悪意のあるユーザ予測アプローチを用いて、疑わしいユーザを積極的に明らかにする。 悪質なユーザ予測精度、精度、リコール、f1スコアの14.32%、17.88%、14.32%、および18.35%といった主要なパフォーマンス指標では、大幅な改善が見られた。
  論文  参考訳（メタデータ） (2024-12-19T03:39:47Z)
• A Generalized Transformer-based Radio Link Failure Prediction Framework in 5G RANs [2.519319150166215]
  本稿では,グラフニューラルネットワーク(GNN)に基づく学習可能な気象効果集約モジュールを導入した新しいRLF予測フレームワークであるGenTrapを提案する。 我々は、GenTrapを260万のデータポイントを持つ2つの実世界のデータセットで評価し、GenTrapがF1スコア(農村では0.93、都市では0.79)を、そのデータセットよりもはるかに高く提供していることを示す。
  論文  参考訳（メタデータ） (2024-07-06T21:57:23Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Personalized Federated Learning under Mixture of Distributions [98.25444470990107]
  本稿では,ガウス混合モデル(GMM)を用いたPFL(Personalized Federated Learning)を提案する。 FedGMMはオーバーヘッドを最小限に抑え、新しいクライアントに適応する付加的なアドバンテージを持ち、不確実な定量化を可能にします。 PFL分類と新しいサンプル検出の両方において, 合成データセットとベンチマークデータセットの実証評価により, 提案手法の優れた性能を示した。
  論文  参考訳（メタデータ） (2023-05-01T20:04:46Z)
• A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
  本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。 モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。 本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
  論文  参考訳（メタデータ） (2023-03-02T21:48:22Z)
• Prediction in ungauged regions with sparse flow duration curves and input-selection ensemble modeling [0.0]
  エンコーダを用いて, LSTMネットワークを用いて, スパースフロー持続時間曲線(FDC)データを移動・同化できることを実証した。 厳密な地域ベースのホールドアウトテストでは、米国データセットのKling-Gupta効率(KGE)は0.62で、これまでの最先端のグローバルスケールの未掘削盆地試験よりもかなり高かった。
  論文  参考訳（メタデータ） (2020-11-26T16:40:22Z)
• Deep F-measure Maximization for End-to-End Speech Understanding [52.36496114728355]
  本稿では,F測度に対する微分可能な近似法を提案し,標準バックプロパゲーションを用いてネットワークをトレーニングする。 我々は、アダルト、コミュニティ、犯罪の2つの標準フェアネスデータセットの実験を行い、ATISデータセットの音声・インテリジェンス検出と音声・COCOデータセットの音声・イメージ概念分類を行った。 これらの4つのタスクのすべてにおいて、F測定は、クロスエントロピー損失関数で訓練されたモデルと比較して、最大8%の絶対的な絶対的な改善を含む、マイクロF1スコアの改善をもたらす。
  論文  参考訳（メタデータ） (2020-08-08T03:02:27Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)
• Mission-Aware Spatio-Temporal Deep Learning Model for UAS Instantaneous Density Prediction [3.59465210252619]
  制御されていない低高度空域での日々のsUAS活動の数は、数年のうちに数百万人に達すると予想されている。 深層学習に基づくUAS瞬時密度予測モデルを提案する。
  論文  参考訳（メタデータ） (2020-03-22T02:40:28Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)

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。