論文の概要: GraphFire-X: Physics-Informed Graph Attention Networks and Structural Gradient Boosting for Building-Scale Wildfire Preparedness at the Wildland-Urban Interface

• arxiv url: http://arxiv.org/abs/2512.20813v1
• Date: Tue, 23 Dec 2025 22:23:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-25 19:43:21.618245
• Title: GraphFire-X: Physics-Informed Graph Attention Networks and Structural Gradient Boosting for Building-Scale Wildfire Preparedness at the Wildland-Urban Interface
• Title（参考訳）: GraphFire-X: 物理インフォームドグラフアテンションネットワークとビル規模の山火事対策のための構造勾配ブースティング
• Authors: Miguel Esparza, Vamshi Battal, Ali Mostafavi,
• Abstract要約: この研究は、新しいデュアルスペシャリストアンサンブルフレームワークを確立することによって、力学物理学とデータ駆動学習のギャップを埋める。 このフレームワークは、脆弱性を2つの異なるベクター、環境の伝染と構造的脆弱に分散させる。 2025年のイートン火災(Eaton Fire)に適用されたこのフレームワークは、危険ドライバーにとって重要な二分法を明らかにしている。
• 参考スコア（独自算出の注目度）: 1.0115510170423478
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As wildfires increasingly evolve into urban conflagrations, traditional risk models that treat structures as isolated assets fail to capture the non-linear contagion dynamics characteristic of the wildland urban interface (WUI). This research bridges the gap between mechanistic physics and data driven learning by establishing a novel dual specialist ensemble framework that disentangles vulnerability into two distinct vectors, environmental contagion and structural fragility. The architecture integrates two specialized predictive streams, an environmental specialist, implemented as a graph neural network (GNN) that operationalizes the community as a directed contagion graph weighted by physics informed convection, radiation, and ember probabilities, and enriched with high dimensional Google AlphaEarth Foundation embeddings, and a Structural Specialist, implemented via XGBoost to isolate granular asset level resilience. Applied to the 2025 Eaton Fire, the framework reveals a critical dichotomy in risk drivers. The GNN demonstrates that neighborhood scale environmental pressure overwhelmingly dominates intrinsic structural features in defining propagation pathways, while the XGBoost model identifies eaves as the primary micro scale ingress vector. By synthesizing these divergent signals through logistic stacking, the ensemble achieves robust classification and generates a diagnostic risk topology. This capability empowers decision makers to move beyond binary loss prediction and precisely target mitigation prioritizing vegetation management for high connectivity clusters and structural hardening for architecturally vulnerable nodes thereby operationalizing a proactive, data driven approach to community resilience.
• Abstract（参考訳）: 森林火災が都市群集へと発展するにつれて、構造物を孤立資産として扱う伝統的なリスクモデルでは、野生の都市界面(WUI)に特徴的な非線形の伝染動態を捉えることができない。 この研究は、脆弱性を2つの異なるベクター(環境汚染と構造不安定性)に分散させる新しいデュアルスペシャリストアンサンブル・フレームワークを確立することで、力学物理学とデータ駆動学習のギャップを埋める。 このアーキテクチャは、2つの特殊な予測ストリーム、環境スペシャリスト、グラフニューラルネットワーク(GNN)として実装され、物理情報による対流、放射、エンバー確率の重み付けによる直接の伝染グラフとしてコミュニティを運用し、高次元のGoogle AlphaEarth Foundationの埋め込みとXGBoostで実装された構造スペシャリストを統合している。 2025年のイートン火災(Eaton Fire)に適用されたこのフレームワークは、危険ドライバーにとって重要な二分法を明らかにしている。 GNNは、近傍の環境圧力が伝播経路の定義において本質的な構造的特徴を圧倒的に支配していることを示し、一方XGBoostモデルは軒を第一のマイクロスケール侵入ベクトルとして同定する。 これらの発散信号をロジスティックな積み重ねによって合成することにより、アンサンブルは堅牢な分類を達成し、診断リスクトポロジーを生成する。 この能力により、意思決定者はバイナリ損失予測を超えて、高接続性クラスタのための植生管理を優先順位付けし、アーキテクチャ的に脆弱なノードの構造的硬化を正確に目標にすることで、コミュニティのレジリエンスに対する積極的なデータ駆動アプローチを運用することができる。

関連論文リスト

• QoSDiff: An Implicit Topological Embedding Learning Framework Leveraging Denoising Diffusion and Adversarial Attention for Robust QoS Prediction [5.632045399777709]
  本稿では,明示的なグラフ構築の前提条件を回避した新しい埋め込み学習フレームワークであるemphQoSDiffを紹介する。 これらの課題に対処するために,明示的なグラフ構築の前提条件を回避した新しい埋め込み学習フレームワークであるemphQoSDiffを紹介する。
  論文  参考訳（メタデータ） (2025-12-04T09:17:26Z)
• JANUS: A Dual-Constraint Generative Framework for Stealthy Node Injection Attacks [3.543515488496546]
  グラフニューラルネットワーク(GNN)は、様々なアプリケーションで顕著なパフォーマンスを示しているが、高度な敵攻撃には弱い。 我々は、JANUS(Joint Alignment of Nodal and Universal Structures)と呼ばれる二重拘束ステルスノード注入フレームワークを提案する。 局所的なレベルでは、特徴空間における幾何的整合性を達成するために、局所的特徴多様体アライメント戦略を導入する。 グローバルレベルでは、構造化潜在変数を組み込んで、生成した構造との相互情報を最大化し、注入された構造が元のグラフのセマンティックパターンと整合していることを保証する。
  論文  参考訳（メタデータ） (2025-09-16T17:24:30Z)
• Power Grid Control with Graph-Based Distributed Reinforcement Learning [60.49805771047161]
  この作業は、リアルタイムでスケーラブルなグリッド管理のためのグラフベースの分散強化学習フレームワークを前進させる。 グラフニューラルネットワーク(GNN)を使用して、ネットワークのトポロジ情報を単一の低レベルエージェントの観測内にエンコードする。 Grid2Opシミュレーション環境での実験は、このアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2025-09-02T22:17:25Z)
• Causal Graph Profiling via Structural Divergence for Robust Anomaly Detection in Cyber-Physical Systems [25.567981742631005]
  公共インフラシステムにおける信頼性の高いサイバー攻撃検出のために設計された因果グラフに基づく異常検出フレームワーク。 CGADは、因果プロファイリングと異常スコアという2段階の監視フレームワークに従う。 因果構造を利用することで、CGADは非定常および不均衡な時系列環境において優れた適応性と精度を実現する。
  論文  参考訳（メタデータ） (2025-08-13T05:26:43Z)
• Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
  本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。 提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。 これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
  論文  参考訳（メタデータ） (2024-09-09T12:56:02Z)
• Poincar\'e Differential Privacy for Hierarchy-Aware Graph Embedding [27.758320436756783]
  本稿では,双曲幾何学に基づく階層型グラフ埋め込みを保護するため,Poincarの微分プライバシーフレームワークであるPoinDPを提案する。 具体的には、PoinDPはまず、双曲空間のポインカーモデルに基づいて各エンティティの階層重みを学習する。 次に、パーソナライズされた階層認識感性は、階層構造の感度を測定し、プライバシ保護強度を適応的に割り当てるように設計されている。
  論文  参考訳（メタデータ） (2023-12-19T14:15:20Z)
• Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
  本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。 GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
  論文  参考訳（メタデータ） (2022-05-07T04:11:23Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• Graph Backdoor [53.70971502299977]
  GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。 GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。 トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
  論文  参考訳（メタデータ） (2020-06-21T19:45:30Z)

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。