論文の概要: Capturing Unseen Spatial Extremes Through Knowledge-Informed Generative Modeling

• arxiv url: http://arxiv.org/abs/2507.09211v1
• Date: Sat, 12 Jul 2025 09:06:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:22.757698
• Title: Capturing Unseen Spatial Extremes Through Knowledge-Informed Generative Modeling
• Title（参考訳）: 知識インフォームド・ジェネレーション・モデリングによる見えない空間エクストリームのキャプチャ
• Authors: Xinyue Liu, Xiao Peng, Shuyue Yan, Yuntian Chen, Dongxiao Zhang, Zhixiao Niu, Hui-Min Wang, Xiaogang He,
• Abstract要約: 我々は,レアエクストリームの空間構造をよりよく捉えるために,DeepX-GANを開発した。 ターゲットに直接ヒットする"チェックメイト"極端と、わずかに見逃す"スタレメイト"極端の2つの型を定義します。 これらの不明瞭な極端は、高い脆弱性と低い社会経済的準備力を持つ地域に不均等に影響を及ぼすことが判明した。
• 参考スコア（独自算出の注目度）: 9.672435929179073
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Observed records of climate extremes provide an incomplete picture of risk, missing "unseen" extremes that exceed historical bounds. In parallel, neglecting spatial dependence undervalues the risk of synchronized hazards that amplify impacts. To address these challenges, we develop DeepX-GAN (Dependence-Enhanced Embedding for Physical eXtremes - Generative Adversarial Network), a knowledge-informed deep generative model designed to better capture the spatial structure of rare extremes. The zero-shot generalizability of DeepX-GAN enables simulation of unseen extremes that fall outside historical experience yet remain statistically plausible. We define two types of unseen extremes: "checkmate" extremes that directly hit targets, and "stalemate" extremes that narrowly miss. These unrealized scenarios expose latent risks in fragile systems and may reinforce a false sense of resilience if overlooked. Near misses, in particular, can prompt either proactive adaptation or dangerous complacency, depending on how they are interpreted. Applying DeepX-GAN to the Middle East and North Africa (MENA), we find that these unseen extremes disproportionately affect regions with high vulnerability and low socioeconomic readiness, but differ in urgency and interpretation. Future warming could expand and redistribute these unseen extremes, with emerging exposure hotspots in Indo-Pakistan and Central Africa. This distributional shift highlights critical blind spots in conventional hazard planning and underscores the need to develop spatially adaptive policies that anticipate emergent risk hotspots rather than simply extrapolating from historical patterns.
• Abstract（参考訳）: 観測された気候極端の記録は、歴史的境界を超える「見えない」極端を欠いている、不完全なリスクのイメージを与えている。 並行して、空間依存を無視することは、影響を増幅する同期化ハザードのリスクを過小評価する。 これらの課題に対処するため,DeepX-GAN (Dependence-Enhanced Embedding for Physical eXtremes - Generative Adversarial Network) を開発した。 ディープX-GANのゼロショット一般化性は、歴史的経験から外れても統計的に証明不可能な極度のシミュレーションを可能にする。 ターゲットに直接ヒットする"チェックメイト"極端と、わずかに見逃す"スタレメイト"極端の2つの型を定義します。 これらの非現実的なシナリオは、脆弱なシステムに潜伏するリスクを露呈し、見落としられた場合のレジリエンスの誤った感覚を強化する可能性がある。 特に、近しいミスは、どのように解釈されるかによって、前向きな適応または危険な妥協を促す可能性がある。 中東と北アフリカ(MENA)にDeepX-GANを適用すると、これらの不明瞭な極端は、高い脆弱性と低い社会経済的準備性を持つ地域に不均等に影響を及ぼすが、緊急性と解釈では異なることが分かる。 将来の温暖化は、インド・パキスタンと中央アフリカで露光ホットスポットが出現するにつれて、これらの見えない極端を拡大し、再分配する可能性がある。 この分布シフトは、従来のハザード計画における重要な盲点を浮き彫りにして、単に歴史的パターンから外挿するのではなく、創発的なリスクホットスポットを予想する空間適応的な政策を開発する必要性を浮き彫りにしている。

関連論文リスト

• GraphVSSM: Graph Variational State-Space Model for Probabilistic Spatiotemporal Inference of Dynamic Exposure and Vulnerability for Regional Disaster Resilience Assessment [0.7237068561453082]
  GraphVSSM(Graph Variational-Space Model)は、グラフ深層学習、状態空間モデリング、変分推論を統合する新しいモジュラーアプローチである。 フィリピンのケソン市における都市全体の実演, ククル海岸地域社会(バングラデシュ)の急激な変化, および泥すべりの影響を受けたフリータウン(シエラレオネ)について検討した。
  論文  参考訳（メタデータ） (2025-08-02T10:49:30Z)
• Advancing Wildfire Risk Prediction via Morphology-Aware Curriculum Contrastive Learning [2.8646703612162243]
  森林火災は自然の生態系と人間の健康に大きな影響を与え、生物多様性の喪失、水文学上のリスクの増大、有害物質の排出の増大につながった。 データは、典型的な状況よりも山火事の発生率が著しく低い不均衡な状況へのバイアスを示している。 本稿では,パッチの動的特徴に対する潜在表現の強化を通じて,これらの課題に対してコントラッシブなフレームワークを採用する方法を検討する。
  論文  参考訳（メタデータ） (2025-07-23T14:23:45Z)
• Frontier AI Risk Management Framework in Practice: A Risk Analysis Technical Report [51.17413460785022]
  本報告では,フロンティアリスクの包括的評価について述べる。 サイバー犯罪、生物学的および化学的リスク、説得と操作、制御不能な自律型AIR&D、戦略的騙しと計画、自己複製、共謀の7つの分野における重要なリスクを特定します。
  論文  参考訳（メタデータ） (2025-07-22T12:44:38Z)
• Constructing Extreme Heatwave Storylines with Differentiable Climate Models [49.1574468325115]
  本稿では,異なるハイブリッド気候モデルであるNeuralGCMを用いて,初期条件を最適化し,物理的に一貫した最悪の熱波トラジェクトリを生成する新しいフレームワークを提案する。 2021年の太平洋岸北西部のヒートウェーブを応用し、75人組のアンサンブルの最も極端なメンバーよりも3.7ドルほどの熱波強度を発生させる。 以上の結果から,異なる気候モデルがイベント可能性の上部を効率的に探索できることが示され,気候変動下での極端気象を対象とするストーリーラインを構築するための強力な新しいアプローチが提案された。
  論文  参考訳（メタデータ） (2025-06-12T12:50:38Z)
• Open-set Anomaly Segmentation in Complex Scenarios [88.11076112792992]
  本稿では,複雑なシナリオにおけるオープンセット異常セグメンテーションのベンチマークであるComsAmyを紹介する。 ComsAmyは、幅広い悪天候、動的な運転環境、様々な異常タイプを含む。 本稿では,エネルギーとエントロピーの相補的情報を統合する新しいエネルギ-エントロピー学習(EEL)戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-28T12:00:10Z)
• Capturing Extreme Events in Turbulence using an Extreme Variational Autoencoder (xVAE) [2.393499494583]
  Extreme variational Autoencoder (xVAE) は、重み付き分布を持つ最大無制限のプロセスを標準のVAEフレームワークに組み込む。 xVAEは、データの非線形潜在表現を学習することで、システム次元を減少させる。
  論文  参考訳（メタデータ） (2025-02-07T06:17:31Z)
• CRiskEval: A Chinese Multi-Level Risk Evaluation Benchmark Dataset for Large Language Models [46.93425758722059]
  CRiskEvalは、大規模言語モデル(LLM)に固有のリスク確率を正確に計測するために設計された中国のデータセットである。 7種類のフロンティアリスクと4つの安全性レベルを持つ新たなリスク分類を定義する。 データセットは、事前に定義された7種類のフロンティアリスクに関連するシナリオをシミュレートする14,888の質問で構成されている。
  論文  参考訳（メタデータ） (2024-06-07T08:52:24Z)
• Data-Adaptive Tradeoffs among Multiple Risks in Distribution-Free Prediction [55.77015419028725]
  しきい値とトレードオフパラメータが適応的に選択された場合、リスクの有効な制御を可能にする手法を開発する。 提案手法は単調なリスクとほぼ単調なリスクをサポートするが,それ以外は分布的な仮定はしない。
  論文  参考訳（メタデータ） (2024-03-28T17:28:06Z)
• Uncertainty Quantification for Forward and Inverse Problems of PDEs via Latent Global Evolution [110.99891169486366]
  本稿では,効率的かつ高精度な不確実性定量化を深層学習に基づく代理モデルに統合する手法を提案する。 本手法は,フォワード問題と逆問題の両方に対して,堅牢かつ効率的な不確実性定量化機能を備えたディープラーニングに基づく代理モデルを提案する。 提案手法は, 長期予測を含むシナリオに適合し, 拡張された自己回帰ロールアウトに対する不確かさの伝播に優れる。
  論文  参考訳（メタデータ） (2024-02-13T11:22:59Z)
• Combining deep generative models with extreme value theory for synthetic hazard simulation: a multivariate and spatially coherent approach [0.0]
  GAN(Generative Adversarial Network)は、高次元設定でデータの分布を暗黙的に学習する能力のため、このような問題に適している。 我々は,ベンガル湾に面した日最大風速,波高,総降水量の依存構造をモデル化するために,GANを用いた。 一度訓練すれば、このモデルは何千もの現実的な複合危険事象を効率的に生成することができる。
  論文  参考訳（メタデータ） (2023-11-30T12:55:51Z)
• Unsupervised Graph Deep Learning Reveals Emergent Flood Risk Profile of Urban Areas [4.295013129588405]
  本研究では,新しい教師なしグラフ深層学習モデル(FloodRisk-Net)に基づく都市洪水リスク評価モデルを提案する。 洪水リスクは各大都市圏統計地域(MSA)の階層構造において空間的に分布しており、中核都市が最も高い洪水リスクを負っている。 複数の都市は、総合的な洪水リスクレベルが高く、空間的不平等が低く、都市開発と洪水リスク低減のバランスをとる選択肢が限られていることが示されている。
  論文  参考訳（メタデータ） (2023-09-26T01:40:36Z)
• Uncertainty-Aware Probabilistic Graph Neural Networks for Road-Level Traffic Accident Prediction [6.570852598591727]
  Stemporal Zero-Inflated Tweedie Graph Neural Network STZITZTDGNNは,道路交通事故予測における最初の不確実性を考慮したグラフ深層学習モデルである。 本研究は,STIDGNNが対象道路の監視を効果的に行い,都市道路の安全対策を改善することを実証するものである。
  論文  参考訳（メタデータ） (2023-09-10T16:35:47Z)
• Capsa: A Unified Framework for Quantifying Risk in Deep Neural Networks [142.67349734180445]
  ディープニューラルネットワークにリスク認識を提供する既存のアルゴリズムは複雑でアドホックである。 ここでは、リスク認識でモデルを拡張するためのフレームワークであるcapsaを紹介します。
  論文  参考訳（メタデータ） (2023-08-01T02:07:47Z)
• 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。