論文の概要: Extreme-value forest fire prediction A study of the Loss Function in an Ordinality Scheme

• arxiv url: http://arxiv.org/abs/2601.03327v1
• Date: Tue, 06 Jan 2026 15:46:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-08 18:12:46.059442
• Title: Extreme-value forest fire prediction A study of the Loss Function in an Ordinality Scheme
• Title（参考訳）: 極値森林火災予報法における損失関数の研究
• Authors: Nicolas Caron, Christophe Guyeux, Hassan Noura, Benjamin Aynes,
• Abstract要約: 本報告では,フランスにおける運用上の意思決定と直接一致した山火事の重症度を予測するための,最初の規則分類フレームワークについて紹介する。 本研究では,損失関数設計が,希少かつ重要な高重度火災発生を予測するニューラルネットワークの能力に与える影響について検討した。
• 参考スコア（独自算出の注目度）: 2.2049183478692593
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wildfires are highly imbalanced natural hazards in both space and severity, making the prediction of extreme events particularly challenging. In this work, we introduce the first ordinal classification framework for forecasting wildfire severity levels directly aligned with operational decision-making in France. Our study investigates the influence of loss-function design on the ability of neural models to predict rare yet critical high-severity fire occurrences. We compare standard cross-entropy with several ordinal-aware objectives, including the proposed probabilistic TDeGPD loss derived from a truncated discrete exponentiated Generalized Pareto Distribution. Through extensive benchmarking over multiple architectures and real operational data, we show that ordinal supervision substantially improves model performance over conventional approaches. In particular, the Weighted Kappa Loss (WKLoss) achieves the best overall results, with more than +0.1 IoU gain on the most extreme severity classes while maintaining competitive calibration quality. However, performance remains limited for the rarest events due to their extremely low representation in the dataset. These findings highlight the importance of integrating both severity ordering, data imbalance considerations, and seasonality risk into wildfire forecasting systems. Future work will focus on incorporating seasonal dynamics and uncertainty information into training to further improve the reliability of extreme-event prediction.
• Abstract（参考訳）: 森林火災は、宇宙と重度の双方で非常に不均衡な自然災害であり、極端な出来事の予測は特に困難である。 本研究では,フランスにおける運用上の意思決定と直接一致した山火事の重症度を予測するための,最初の規則分類フレームワークを紹介する。 本研究では,損失関数設計が希少かつ重要な高重度火災発生を予測するニューラルネットワークの能力に与える影響について検討した。 本研究は, 離散指数分布から導かれる確率的TDeGPD損失を含む, 標準クロスエントロピーと, いくつかの順序認識対象とを比較した。 複数のアーキテクチャや実際の運用データに対する広範なベンチマークを通じて、オーディショナル・インスペクションは従来の手法よりもモデル性能を大幅に向上させることを示す。 特に、Weighted Kappa Loss (WKLoss) は、競争力のあるキャリブレーション品質を維持しながら、最も厳格なクラスで+0.1 IoU以上を獲得している。 しかしながら、データセットの表現が極めて少ないため、最も稀なイベントのパフォーマンスは依然として制限されている。 これらの知見は,山火事予報システムに重度秩序,データ不均衡,季節リスクの両面を統合することの重要性を浮き彫りにした。 今後の研究は、極端変動予測の信頼性をさらに向上させるために、季節的ダイナミクスと不確実性情報をトレーニングに取り入れることに集中する。

関連論文リスト

• Dynamic Attention (DynAttn): Interpretable High-Dimensional Spatio-Temporal Forecasting (with Application to Conflict Fatalities) [0.0]
  DynAttnは高次元カウントプロセスのための解釈可能な動的アテンション予測フレームワークである。 透明な診断を維持しながら、予想される死傷率と超過率を多地点で予測する。 1ヶ月から12ヶ月の間、DynAttnはずっと高い予測精度を達成する。
  論文  参考訳（メタデータ） (2025-12-24T21:47:35Z)
• Forests of Uncertaint(r)ees: Using tree-based ensembles to estimate probability distributions of future conflict [0.0]
  我々は、従来の点予測から完全な予測分布へ移行し、紛争予測の不確実性を定量化する戦略を開発する。 モデルは、最大1年前の予測において、コンフリクト履歴から派生したベンチマークスイートを一貫して上回ることができる。 我々は,計量が与えられた予測問題に対してどのように振る舞うかを理解する必要があることを強調する。
  論文  参考訳（メタデータ） (2025-12-05T23:10:16Z)
• Probabilistic Wildfire Spread Prediction Using an Autoregressive Conditional Generative Adversarial Network [0.13470973674919004]
  本研究では,確率的山火事拡散予測のための自己回帰的条件生成対向ネットワーク(CGAN)を提案する。 予測タスクを自己回帰問題として定式化することにより、モデルはシーケンシャルな状態遷移を学習し、長期的な予測安定性を確保する。 実験結果から,提案モデルが従来の深層学習モデルより優れており,火災周囲の予測精度と境界線が優れていることが示された。
  論文  参考訳（メタデータ） (2025-11-26T03:32:54Z)
• xTime: Extreme Event Prediction with Hierarchical Knowledge Distillation and Expert Fusion [65.63135031712153]
  時系列における極端なイベント予測のための新しいフレームワークであるxTimeを提案する。 xTimeは知識蒸留を利用して、低レベルなイベントでトレーニングされたモデルから情報を転送する。 我々は、異なる希少度で専門家モデルから出力を動的に選択し、融合する専門家(MoE)機構の混合を導入する。
  論文  参考訳（メタデータ） (2025-10-23T15:24:45Z)
• SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
  本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。 第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
  論文  参考訳（メタデータ） (2025-10-22T16:11:22Z)
• Deep learning framework for predicting stochastic take-off and die-out of early spreading [3.3147247892604708]
  大規模なアウトブレイクは、人間の社会に重大な脅威をもたらす。 新型コロナウイルスの流行が大きな流行に発展するか、それとも自然に絶滅するかという問題は、いまだに未解決のままだ。 本稿では,初期感染発生が大流行に拡大するかどうかを予測するための最初の体系的枠組みを紹介する。
  論文  参考訳（メタデータ） (2025-10-06T08:18:47Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• AA-Forecast: Anomaly-Aware Forecast for Extreme Events [25.89754218631525]
  時系列モデルは、現実世界のデータセットでよく見られる極端なイベントや異常を扱うことが多い。 本稿では,これまで見られた異常の影響を利用して予測精度を向上する異常認識予測フレームワークを提案する。 特に、このフレームワークは自動で異常を抽出し、注意機構を通じてそれらを組み込んで、将来の極端な事象の正確性を高める。
  論文  参考訳（メタデータ） (2022-08-21T17:51:46Z)

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。