論文の概要: Advancing Forest Fires Classification using Neurochaos Learning

• arxiv url: http://arxiv.org/abs/2510.26383v1
• Date: Thu, 30 Oct 2025 11:27:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-31 16:05:09.780188
• Title: Advancing Forest Fires Classification using Neurochaos Learning
• Title（参考訳）: ニューロカオス学習による森林火災分類の促進
• Authors: Kunal Kumar Pant, Remya Ajai A S, Nithin Nagaraj,
• Abstract要約: 森林火災は世界で最も危険で予測できない自然災害の一つである。 森林火災分類のためのカオスに基づく脳誘発学習アルゴリズムであるNeurochaos Learning (NL) を提案する。
• 参考スコア（独自算出の注目度）: 0.764671395172401
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Forest fires are among the most dangerous and unpredictable natural disasters worldwide. Forest fire can be instigated by natural causes or by humans. They are devastating overall, and thus, many research efforts have been carried out to predict whether a fire can occur in an area given certain environmental variables. Many research works employ Machine Learning (ML) and Deep Learning (DL) models for classification; however, their accuracy is merely adequate and falls short of expectations. This limit arises because these models are unable to depict the underlying nonlinearity in nature and extensively rely on substantial training data, which is hard to obtain. We propose using Neurochaos Learning (NL), a chaos-based, brain-inspired learning algorithm for forest fire classification. Like our brains, NL needs less data to learn nonlinear patterns in the training data. It employs one-dimensional chaotic maps, namely the Generalized L\"uroth Series (GLS), as neurons. NL yields comparable performance with ML and DL models, sometimes even surpassing them, particularly in low-sample training regimes, and unlike deep neural networks, NL is interpretable as it preserves causal structures in the data. Random Heterogenous Neurochaos Learning (RHNL), a type of NL where different chaotic neurons are randomnly located to mimic the randomness and heterogeneity of human brain gives the best F1 score of 1.0 for the Algerian Forest Fires Dataset. Compared to other traditional ML classifiers considered, RHNL also gives high precision score of 0.90 for Canadian Forest Fires Dataset and 0.68 for Portugal Forest Fires Dataset. The results obtained from this work indicate that Neurochaos Learning (NL) architectures achieve better performance than conventional machine learning classifiers, highlighting their promise for developing more efficient and reliable forest fire detection systems.
• Abstract（参考訳）: 森林火災は世界で最も危険で予測できない自然災害の一つである。 森林火災は自然災害や人間によって引き起こされることがある。 全体的に破壊的であり、特定の環境変数が与えられた地域で火災が発生するかどうかを予測するため、多くの研究が実施されている。 多くの研究では機械学習(ML)とディープラーニング(DL)モデルを分類に用いているが、その正確さは単に適切であり、期待に届かなかった。 この制限は、これらのモデルが自然の根底にある非線形性を記述することができず、取得が困難であるかなりの訓練データに大きく依存しているため生じる。 森林火災分類のためのカオスに基づく脳誘発学習アルゴリズムであるNeurochaos Learning (NL) を提案する。 私たちの脳と同じく、NLはトレーニングデータの中で非線形パターンを学ぶのに、より少ないデータを必要とします。 1次元カオス写像、すなわち一般化L\"露光系(GLS)をニューロンとして採用している。 NLはMLモデルとDLモデルに匹敵する性能を示し、特に低サンプルのトレーニングシステムでは、データ内の因果構造を保存するため、深いニューラルネットワークとは異なり、NLは解釈可能である。 RHNL(Random Heterogenous Neurochaos Learning)は、異なるカオスニューロンがランダムに位置し、人間の脳のランダム性と不均一性を模倣するNLの一種である。 他の伝統的なML分類器と比較すると、RHNLはカナダ森林火災データセットでは0.90点、ポルトガル森林火災データセットでは0.68点の高精度スコアを与えている。 この研究から得られた結果は、ニューロカオス学習(NL)アーキテクチャが従来の機械学習分類器よりも優れた性能を示し、より効率的で信頼性の高い森林火災検知システムを開発するという彼らの約束を強調している。

関連論文リスト

• Random Heterogeneous Neurochaos Learning Architecture for Data Classification [1.534667887016089]
  カオスベースのニューラルネットワークであるNeurochaos Learning(NL)は先日,Generalized L"uroth Series(GLS)やロジスティックマップをニューロンとして使用した。 はじめに、様々なカオスニューロンをランダムに入力層に配置するNLのランダムな異種拡張を提案する。 従来の機械学習(ML)手法と組み合わせたランダム不均一神経カオス学習(RHNL)アーキテクチャの性能評価を行った。
  論文  参考訳（メタデータ） (2024-10-30T18:00:14Z)
• Emerging NeoHebbian Dynamics in Forward-Forward Learning: Implications for Neuromorphic Computing [7.345136916791223]
  フォワード・フォワードアルゴリズム(FFA)は各層に局所学習規則を用いる。 局所学習を駆動する良さ関数として2乗ユークリッドノルムを用いる場合、FFAはネオ・ヘビアン学習規則と等価であることを示す。
  論文  参考訳（メタデータ） (2024-06-24T09:33:56Z)
• DCLP: Neural Architecture Predictor with Curriculum Contrastive Learning [5.2319020651074215]
  ニューラル予測器(DCLP)のためのカリキュラム誘導型コントラスト学習フレームワークを提案する。 本手法は,新たなカリキュラムを設計し,ラベルのないトレーニングデータ分布の安定性を高めることで,対照的なタスクを単純化する。 我々は既存の予測器と比較してDCLPの精度と効率が優れていることを実験的に実証した。
  論文  参考訳（メタデータ） (2023-02-25T08:16:21Z)
• Neurochaos Feature Transformation and Classification for Imbalanced Learning [0.0]
  制限付きと不均衡なデータから学ぶことは、人工知能コミュニティでは難しい問題だ。 ヒト脳におけるカオス性神経細胞の発火に触発され、ニューロカオス学習(NL)と呼ばれる新しい学習アルゴリズムが最近提案された。 本稿では,ニューロカオスに基づく特徴変換と従来のMLアルゴリズムを用いた抽出のユニークな組み合わせを提案する。
  論文  参考訳（メタデータ） (2022-04-20T16:11:45Z)
• Efficient and Robust Classification for Sparse Attacks [34.48667992227529]
  我々は、画像認識、自然言語処理、マルウェア検出の領域において効果的な攻撃として示されてきた$ell$-normで束縛された摂動を考える。 我々は,「トランケーション」と「アドリアル・トレーニング」を組み合わせた新しい防衛手法を提案する。 得られた洞察に触発され、これらのコンポーネントをニューラルネットワーク分類器に拡張する。
  論文  参考訳（メタデータ） (2022-01-23T21:18:17Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• Probing Predictions on OOD Images via Nearest Categories [97.055916832257]
  ニューラルネットワークが未確認のクラスや破損したイメージから画像を分類する際のアウト・オブ・ディストリビューション(OOD)予測挙動について検討する。 我々は、トレーニングセットにおいて、最も近い隣人と同じラベルで分類されたOOD入力の分数を計算するため、新しい測度、最も近いカテゴリ一般化(NCG)を導入する。 我々は、OODデータがロバストネス半径よりも遥かに遠くにある場合でも、ロバストネットワークは自然訓練よりも一貫してNCG精度が高いことを発見した。
  論文  参考訳（メタデータ） (2020-11-17T07:42:27Z)
• Neural Additive Models: Interpretable Machine Learning with Neural Nets [77.66871378302774]
  ディープニューラルネットワーク(DNN)は、さまざまなタスクにおいて優れたパフォーマンスを達成した強力なブラックボックス予測器である。 本稿では、DNNの表現性と一般化した加法モデルの固有知性を組み合わせたニューラル付加モデル(NAM)を提案する。 NAMは、ニューラルネットワークの線形結合を学び、それぞれが単一の入力機能に付随する。
  論文  参考訳（メタデータ） (2020-04-29T01:28:32Z)
• Non-linear Neurons with Human-like Apical Dendrite Activations [81.18416067005538]
  XOR論理関数を100%精度で学習し, 標準的なニューロンに後続のアピーカルデンドライト活性化(ADA)が認められた。 コンピュータビジョン,信号処理,自然言語処理の6つのベンチマークデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-02-02T21:09:39Z)

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。