論文の概要: Decision-focused Sensing and Forecasting for Adaptive and Rapid Flood Response: An Implicit Learning Approach

• arxiv url: http://arxiv.org/abs/2510.16015v1
• Date: Wed, 15 Oct 2025 09:47:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.773499
• Title: Decision-focused Sensing and Forecasting for Adaptive and Rapid Flood Response: An Implicit Learning Approach
• Title（参考訳）: 適応的・迅速な洪水応答に対する意思決定型センシングと予測:暗黙的な学習アプローチ
• Authors: Qian Sun, Graham Hults, Susu Xu,
• Abstract要約: タイムリーで信頼性の高い意思決定は、洪水の緊急対応に不可欠である。 従来の洪水管理システムは、リモートセンシングに基づく大規模な洪水深度予測モデルをキャリブレーションするために、in-situセンサーに依存していることが多い。 In-situ センサー配置のための位置を戦略的に選択する新しい決定中心のフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.746115078755406
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Timely and reliable decision-making is vital for flood emergency response, yet it remains severely hindered by limited and imprecise situational awareness due to various budget and data accessibility constraints. Traditional flood management systems often rely on in-situ sensors to calibrate remote sensing-based large-scale flood depth forecasting models, and further take flood depth estimates to optimize flood response decisions. However, these approaches often take fixed, decision task-agnostic strategies to decide where to put in-situ sensors (e.g., maximize overall information gain) and train flood forecasting models (e.g., minimize average forecasting errors), but overlook that systems with the same sensing gain and average forecasting errors may lead to distinct decisions. To address this, we introduce a novel decision-focused framework that strategically selects locations for in-situ sensor placement and optimize spatio-temporal flood forecasting models to optimize downstream flood response decision regrets. Our end-to-end pipeline integrates four components: a contextual scoring network, a differentiable sensor selection module under hard budget constraints, a spatio-temporal flood reconstruction and forecasting model, and a differentiable decision layer tailored to task-specific objectives. Central to our approach is the incorporation of Implicit Maximum Likelihood Estimation (I-MLE) to enable gradient-based learning over discrete sensor configurations, and probabilistic decision heads to enable differentiable approximation to various constrained disaster response tasks.
• Abstract（参考訳）: タイムリーかつ信頼性の高い意思決定は、洪水の緊急対応には不可欠であるが、様々な予算やデータアクセシビリティの制約により、状況認識の制限と不正確さにより、依然として深刻な障害となっている。 従来の洪水管理システムは、リモートセンシングに基づく大規模な洪水深度予測モデルの校正や、洪水の応答決定を最適化するための洪水深度推定にin-situセンサーを利用することが多い。 しかしながら、これらの手法は、インサイトセンサー(例えば、全体的な情報ゲインを最大化する)をどこに配置するか、あるいは洪水予測モデル(例えば、平均予測誤差を最小化する)を決定するための決定的なタスク非依存の戦略をとることが多いが、同じセンシングゲインと平均予測エラーを持つシステムは、異なる決定を下す可能性がある。 そこで本研究では,センサ配置の場所を戦略的に選択し,時空間の洪水予測モデルを最適化し,下流の洪水応答決定の後悔を最適化する,新たな意思決定フレームワークを提案する。 我々のエンドツーエンドパイプラインは、4つのコンポーネントを統合している: コンテキストスコアリングネットワーク、ハード予算制約下での識別可能なセンサ選択モジュール、時空間の洪水復旧予測モデル、タスク固有の目的に合わせた微分可能な決定層。 我々のアプローチの中心は、個別のセンサ構成に対する勾配に基づく学習を可能にするImlicit Maximum Likelihood Estimation (I-MLE)の導入と、様々な制約された災害対応タスクに対する微分可能な近似を可能にする確率的決定ヘッドである。

関連論文リスト

• Online Decision-Focused Learning [74.3205104323777]
  意思決定中心学習(DFL)は、意思決定タスクで予測出力が使用されるモデルのトレーニングパラダイムとして、ますます人気が高まっている。 本稿では,目的関数を規則化し,その相違を解消し,非最適関数を克服する方法を検討する。 また、クナップサック実験におけるアルゴリズムの有効性を示し、2つの標準ベンチマークを上回りました。
  論文  参考訳（メタデータ） (2025-05-19T10:40:30Z)
• 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)
• An End-to-End Smart Predict-then-Optimize Framework for Vehicle Relocation Problems in Large-Scale Vehicle Crowd Sensing [10.74565749809106]
  車両システムは、旅行要求やルートの性質により、しばしば偏りのあるカバレッジを示す。 我々は最適化を予測に統合することで、エンドツーエンドのSmart Predict-then-optize (SPO) フレームワークを開発する。 このフレームワークは上流の予測エラーではなく、タスク固有のマッチングによって訓練される。
  論文  参考訳（メタデータ） (2024-11-27T15:16:22Z)
• Temporal Decisions: Leveraging Temporal Correlation for Efficient Decisions in Early Exit Neural Networks [4.343246899774834]
  本稿では,早期排他ニューラルネットワークの決定機構としての差分検出と時間パタンスについて述べる。 健康モニタリング、画像分類、ウェイクワード検出タスクにおけるそれらの効果を評価する。 推定平均演算を最大80%削減し,元のモデルの5%以内の精度を維持した。
  論文  参考訳（メタデータ） (2024-03-12T08:28:27Z)
• Sensitivity-Aware Amortized Bayesian Inference [8.753065246797561]
  感度分析は、様々なモデリング選択が統計的分析の結果に与える影響を明らかにする。 ニューラルネットワークを用いたシミュレーションベース推論に感度解析を統合するための多面的アプローチである感性認識型ベイズ推論(SA-ABI)を提案する。 本稿では,本手法が病気発生のダイナミクスや地球温暖化のしきい値から人的意思決定に至るまで,応用モデリング問題における有効性を示す。
  論文  参考訳（メタデータ） (2023-10-17T10:14:10Z)
• Limitations of a proposed correction for slow drifts in decision criterion [0.0]
  ランダムドリフトからの系統的な更新を曖昧にするためのモデルに基づくアプローチを提案する。 提案手法は,決定基準におけるドリフトの潜航軌跡を正確に回復することを示す。 本結果は,生成過程の仮定を直接意思決定モデルに組み込むことの利点を強調した。
  論文  参考訳（メタデータ） (2022-05-22T19:33:19Z)
• R(Det)^2: Randomized Decision Routing for Object Detection [64.48369663018376]
  本稿では,決定木とディープニューラルネットワークをエンドツーエンドの学習方法で組み合わせたオブジェクト検出手法を提案する。 効率的な学習を容易にするために,ノード選択型および連想型損失を伴うランダム化決定経路を提案する。 このアプローチをオブジェクト検出のためのランダム化決定ルーティングとして、R(Det)$2$と略す。
  論文  参考訳（メタデータ） (2022-04-02T07:54:58Z)
• CertainNet: Sampling-free Uncertainty Estimation for Object Detection [65.28989536741658]
  ニューラルネットワークの不確実性を推定することは、安全クリティカルな設定において基本的な役割を果たす。 本研究では,オブジェクト検出のための新しいサンプリング不要不確実性推定法を提案する。 私たちはそれをCertainNetと呼び、各出力信号に対して、オブジェクト性、クラス、位置、サイズという、別の不確実性を提供するのは、これが初めてです。
  論文  参考訳（メタデータ） (2021-10-04T17:59:31Z)
• Learning MDPs from Features: Predict-Then-Optimize for Sequential Decision Problems by Reinforcement Learning [52.74071439183113]
  我々は、強化学習を通して解決された逐次決定問題(MDP)の文脈における予測列最適化フレームワークについて検討した。 2つの重要な計算課題は、意思決定中心の学習をMDPに適用することである。
  論文  参考訳（メタデータ） (2021-06-06T23:53:31Z)

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。