論文の概要: GraphVSSM: Graph Variational State-Space Model for Probabilistic Spatiotemporal Inference of Dynamic Exposure and Vulnerability for Regional Disaster Resilience Assessment
- arxiv url: http://arxiv.org/abs/2508.01310v1
- Date: Sat, 02 Aug 2025 10:49:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-05 18:25:21.814063
- Title: GraphVSSM: Graph Variational State-Space Model for Probabilistic Spatiotemporal Inference of Dynamic Exposure and Vulnerability for Regional Disaster Resilience Assessment
- Title（参考訳）: GraphVSSM:地域防災評価のための動的露光と脆弱性の確率的時空間推定のためのグラフ変状態空間モデル
- Authors: Joshua Dimasaka, Christian Geiß, Emily So,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.7237068561453082
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Regional disaster resilience quantifies the changing nature of physical risks to inform policy instruments ranging from local immediate recovery to international sustainable development. While many existing state-of-practice methods have greatly advanced the dynamic mapping of exposure and hazard, our understanding of large-scale physical vulnerability has remained static, costly, limited, region-specific, coarse-grained, overly aggregated, and inadequately calibrated. With the significant growth in the availability of time-series satellite imagery and derived products for exposure and hazard, we focus our work on the equally important yet challenging element of the risk equation: physical vulnerability. We leverage machine learning methods that flexibly capture spatial contextual relationships, limited temporal observations, and uncertainty in a unified probabilistic spatiotemporal inference framework. We therefore introduce Graph Variational State-Space Model (GraphVSSM), a novel modular spatiotemporal approach that uniquely integrates graph deep learning, state-space modeling, and variational inference using time-series data and prior expert belief systems in a weakly supervised or coarse-to-fine-grained manner. We present three major results: a city-wide demonstration in Quezon City, Philippines; an investigation of sudden changes in the cyclone-impacted coastal Khurushkul community (Bangladesh) and mudslide-affected Freetown (Sierra Leone); and an open geospatial dataset, METEOR 2.5D, that spatiotemporally enhances the existing global static dataset for UN Least Developed Countries (2020). Beyond advancing regional disaster resilience assessment and improving our understanding global disaster risk reduction progress, our method also offers a probabilistic deep learning approach, contributing to broader urban studies that require compositional data analysis in weak supervision.
- Abstract（参考訳）: 地域災害のレジリエンスは、地域の即時回復から国際的持続的発展まで、政策を通知するための物理的リスクの変化の性質を定量化する。
多くの既存手法は、露光と危険の動的マッピングを大幅に進歩させてきたが、我々の大規模物理的脆弱性に対する理解は、静的、コスト、制限、地域固有の、粗い粒度、過度に集約され、不適切に調整されたままである。
時系列衛星画像と、被曝や危険にさらされる製品の利用が著しく増加する中、我々はリスク方程式の等しく重要かつ挑戦的な要素である物理的脆弱性に焦点を当てる。
我々は,空間的文脈関係,時間的観測の制限,不確実性を柔軟に捉える機械学習手法を,確率的時空間推定フレームワークで活用する。
そこで我々は,グラフ深層学習,状態空間モデリング,変分推論を時系列データと先行専門家の信念システムを用いて一意に統合した新しいモジュール時空間モデルGraphVSSMを導入する。
フィリピンのケソン市における都市規模での実証実験,シエラレオネ (Sierra Leone) とバングラデシュ (Sierra Leone) の沿岸部におけるサイクロンの急激な変化に関する調査,および国連開発途上国 (2020) における既存のグローバルな静的データセットであるMETEOR 2.5Dを時空間的に拡張したオープンジオ空間データセットであるMETEOR 2.5Dについて報告する。
本手法は, 地域防災のレジリエンス評価の進展と, 世界の防災リスク低減の進展の理解の向上に加えて, 弱い監視下でのコンポジションデータ分析を必要とする広域都市研究に寄与する, 確率論的深層学習手法も提供する。
関連論文リスト
- DeepC4: Deep Conditional Census-Constrained Clustering for Large-scale Multitask Spatial Disaggregation of Urban Morphology [0.7237068561453082]
本稿では,局所的な国勢調査統計をクラスタレベルの制約として組み込んだ,深層学習に基づく空間分散手法を提案する。
我々の研究は、我々の既存の粗い派生情報を大規模に空間的監査するための、新しいディープラーニングベースのマッピング技術を提供してきた。
論文 参考訳（メタデータ） (2025-07-30T10:25:39Z) - 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) - Towards Robust Stability Prediction in Smart Grids: GAN-based Approach under Data Constraints and Adversarial Challenges [53.2306792009435]
本稿では,安定したデータのみを用いて,スマートグリッドの不安定性を検出する新しいフレームワークを提案する。
最大98.1%の精度でグリッド安定性を予測でき、98.9%で敵の攻撃を検知できる。
シングルボードコンピュータ上で実装され、7ms以下の平均応答時間でリアルタイムな意思決定を可能にする。
論文 参考訳（メタデータ） (2025-01-27T20:48:25Z) - Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
本稿では,保護インフォームドGNN(CiGNN)について紹介する。
このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。
結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
論文 参考訳（メタデータ） (2024-12-30T13:55:59Z) - SMA-Hyper: Spatiotemporal Multi-View Fusion Hypergraph Learning for Traffic Accident Prediction [2.807532512532818]
現在のデータ駆動モデルは、しばしばデータ空間と多様な都市データソースの統合に苦しむ。
本稿では,交通事故予測のための動的学習フレームワークを提案する。
これは、高次のクロスリージョン学習を可能にするデュアル適応グラフ学習機構を組み込んでいる。
また、事故データと都市機能の複数のビューを融合させる事前注意機構も採用している。
論文 参考訳（メタデータ） (2024-07-24T21:10:34Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。
伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。
本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-29T08:00:15Z) - Temporal Analysis of World Disaster Risk:A Machine Learning Approach to
Cluster Dynamics [0.0]
本稿では,リスクを軽減し,世界規模で安全な環境を創出するための取り組みの効果を評価する。
世界リスク指数を用いて、2011年から2021年までの世界の災害リスク動態の時間的分析を行う。
論文 参考訳（メタデータ） (2024-01-10T08:50:53Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳（メタデータ） (2023-11-30T08:22:08Z) - Spatial-Temporal Sequential Hypergraph Network for Crime Prediction [56.41899180029119]
本稿では,複合犯罪の時空間パターンを包括的に符号化する時空間逐次ハイパーグラフネットワーク(ST-SHN)を提案する。
特に、長距離及びグローバルなコンテキスト下での時空間力学を扱うために、グラフ構造化されたメッセージパッシングアーキテクチャを設計する。
提案するST-SHNフレームワークは予測性能を大幅に向上させることができることを示す。
論文 参考訳（メタデータ） (2022-01-07T12:46:50Z) - A generalized forecasting solution to enable future insights of COVID-19
at sub-national level resolutions [0.0]
本研究は、封じ込め対策を局所的に実施可能な地域において、毎日の新型コロナウイルスの新規感染者を予測することを目的としている。
本研究の貢献は,その領域の疫学的ダイナミクスに基づく非決定論的エピ曲線のスムーズ化に最適化されたスムーズ化技術,特定領域のデータを用いてトレーニングした長短短期記憶に基づく予測モデル,およびエピ曲線に見られるデータ不均衡を緩和するトレーニング中の適応的損失関数である。
論文 参考訳（メタデータ） (2021-08-21T17:47:52Z)
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。