論文の概要: R2RAG-Flood: A reasoning-reinforced training-free retrieval augmentation generation framework for flood damage nowcasting

• arxiv url: http://arxiv.org/abs/2602.10312v1
• Date: Tue, 10 Feb 2026 21:31:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.293477
• Title: R2RAG-Flood: A reasoning-reinforced training-free retrieval augmentation generation framework for flood damage nowcasting
• Title（参考訳）: R2RAG-Flood:洪水被害予測のための訓練不要検索強化フレームワーク
• Abstract要約: R2RAG-Flood は、暴風雨後の被害に対処するためのトレーニング不要な検索拡張生成フレームワークである。 R2RAG-Floodは、関連する推論軌跡を検索し条件付けするコンテキスト拡張プロンプトを発行する。 予測は2段階の手順に従い、まず最初に損傷発生を判定し、3段階の損傷極度分類内で深刻度を補正する。
• 参考スコア（独自算出の注目度）: 4.4258361032514015
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: R2RAG-Flood is a reasoning-reinforced, training-free retrieval-augmented generation framework for post-storm property damage nowcasting. Building on an existing supervised tabular predictor, the framework constructs a reasoning-centric knowledge base composed of labeled tabular records, where each sample includes structured predictors, a compact natural language text-mode summary, and a model-generated reasoning trajectory. During inference, R2RAG-Flood issues context-augmented prompts that retrieve and condition on relevant reasoning trajectories from nearby geospatial neighbors and canonical class prototypes, enabling the large language model backbone to emulate and adapt prior reasoning rather than learn new task-specific parameters. Predictions follow a two-stage procedure that first determines property damage occurrence and then refines severity within a three-level Property Damage Extent categorization, with a conditional downgrade step to correct over-predicted severity. In a case study of Harris County, Texas at the 12-digit Hydrologic Unit Code scale, the supervised tabular baseline trained directly on structured predictors achieves 0.714 overall accuracy and 0.859 damage class accuracy for medium and high damage classes. Across seven large language model backbones, R2RAG-Flood attains 0.613 to 0.668 overall accuracy and 0.757 to 0.896 damage class accuracy, approaching the supervised baseline while additionally producing a structured rationale for each prediction. Using a severity-per-cost efficiency metric derived from API pricing and GPU instance costs, lightweight R2RAG-Flood variants demonstrate substantially higher efficiency than both the supervised tabular baseline and larger language models, while requiring no task-specific training or fine-tuning.
• Abstract（参考訳）: R2RAG-Flood は、雷雨後の被害に対処するための、推論強化された、訓練不要な検索強化生成フレームワークである。 このフレームワークは、既存の教師付き表層予測器に基づいて、ラベル付き表層レコードからなる推論中心の知識ベースを構築し、各サンプルは構造化予測器、コンパクトな自然言語テキストモード要約、モデル生成の推論軌道を含む。 推論中、R2RAG-Floodは、近くの地理空間の隣人や標準クラスプロトタイプから関連する推論軌跡を検索し、条件付けするコンテキスト拡張プロンプトを発行し、大きな言語モデルバックボーンが新しいタスク固有のパラメータを学習するのではなく、事前推論をエミュレートし、適応できるようにする。 予測は、まず2段階の手順に従い、まず損傷発生を判定し、3段階の損傷過度分類において重症度を洗練し、過度に予測された重症度を補正する条件付き格下げステップを施す。 テキサス州ハリス郡の12桁の水理学単位法スケールでのケーススタディでは、構造化予測器で直接訓練された教師付き表層ベースラインは、中・高損傷クラスの0.714の総合的精度と0.859の損傷クラス精度を達成している。 7つの大きな言語モデルのバックボーンの中で、R2RAG-Floodは0.613から0.668の全体的な精度と0.757から0.896のダメージクラス精度を達成し、教師付きベースラインに近づき、予測毎に構造化された論理を生成する。 APIの価格とGPUインスタンスのコストから導かれた重厚なコスト毎の効率測定値を使用することで、軽量なR2RAG-Floodは、タスク固有のトレーニングや微調整を必要とせず、教師付き表層ベースラインとより大きな言語モデルの両方よりもはるかに高い効率を示す。

関連論文リスト

• GAFT: Geo-Anchored Fine-Tuning for Hazard Identification from Rare Failures [4.434520724004293]
  オフロードナビゲーションは、物理的構造が高センタリングやエントラップメントのような発見不可能な状態を引き起こすと失敗することがある。 我々は,視基盤モデルに幾何由来の先行モデルを適用するパラメータ効率の高い手法である textbfGeo-Anchored Fine-Tuning (GAFT) を提案する。 介入検証されたハザードベンチマークでは、独立に訓練された10の適応において、GAFTは凍ったDINOv2と監督されたPEFTベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-08-31T14:20:59Z)
• Defending against Model Extraction for GNNs with Model Reprogramming [57.82196268649236]
  グラフニューラルネットワーク(GNN)は、ML(Machine-Learning-as-a-Service)における高スループットアプリケーションのバックボーンとして機能する。 それでも、ブラックボックスのデプロイメントは、モデル抽出(ME)攻撃に晒される。 既存の防衛は「ユークリッドバイアス」に苦しむ セキュリティのためにモデル再プログラミングを再利用するプロアクティブディフェンスフレームワークであるGraphRPを提案する。
  論文  参考訳（メタデータ） (2026-08-11T23:20:15Z)
• When Proxy Prediction Becomes Equation Reconstruction: Diagnostics and Residual Learning for Factor-Derived Proxy Supervision [0.0]
  高い予測精度は、分解因子情報に対する堅牢性よりもむしろプロキシ生成方程式の再構成を反映する可能性がある。 本稿では, 劣化形式参照, 古典的木系ベースライン, 一致した直接予測, 公式予測, 文脈改善, テールエラー解析, 堅牢性スコアリングを組み合わせた診断フレームワークを提案する。 次に、劣化した公式推定を予測アンカーとして保持し、適応的にゲートされた文脈補正を学習する式保存残留フレームワークであるRASPLを提案する。
  論文  参考訳（メタデータ） (2026-08-05T02:54:34Z)
• Rethinking Reward Supervision: Rubric-Conditioned Self-Distillation [60.55792673956761]
  我々は, ルブリックを構造化, きめ細かいフィードバックとして組み込んだフレームワークであるtextbfRubric-Conditioned Self-Distillationを提案する。 その結果, ルーリック条件の自己蒸留は, ルーリックレベルの基準をトークンレベルのガイダンスに効果的に変換することを示した。
  論文  参考訳（メタデータ） (2026-06-17T17:54:04Z)
• Curvature-Guided LoRA: Steering in the pretrained NTK subspace [60.35296431630704]
  本稿では,PEFTを用いて得られた予測器と,出力レベルにおける完全微調整の予測器との整合性を考慮した予測アライメント問題を提案する。 我々は、この目的が自然に、ニュートンのような、曲率ホワイトの勾配に対応する最適な低ランク更新を行う、曲率対応の2階定式化につながることを示した。 この知見に基づいて、局所曲率情報を用いて適応方向を選択し、スケールする曲率誘導LoRA(CG-LoRA)を提案する。
  論文  参考訳（メタデータ） (2026-03-31T14:46:39Z)
• TornadoNet: Real-Time Building Damage Detection with Ordinal Supervision [1.5908682346602052]
  TornadoNetは、道路レベルの建物の自動損傷評価のベンチマークである。 現実的な災害後の状況下で、現代のリアルタイムオブジェクト検出アーキテクチャと常用監視戦略がどのように機能するかを評価する。
  論文  参考訳（メタデータ） (2026-03-12T05:22:55Z)
• Observationally Informed Adaptive Causal Experimental Design [55.998153710215654]
  本稿では,観測モデルを基礎的先行として活用する新たなパラダイムであるアクティブ残留学習を提案する。 このアプローチは、実験的な焦点を、目標因果量の学習から、観察バイアスの補正に必要な残差を効率的に推定するへとシフトさせる。 合成および半合成ベンチマークの実験は、R-Designがベースラインを大幅に上回ることを示した。
  論文  参考訳（メタデータ） (2026-03-04T06:52:37Z)
• Building Damage Detection using Satellite Images and Patch-Based Transformer Methods [0.0]
  我々は、xBDデータセット上でビジョントランスフォーマー(ViT)モデルの性能を評価する。 本稿では,構造的特徴を分離し,背景雑音を最小限に抑えるパッチベースの前処理パイプラインを提案する。 そこで本研究では,災害分類のためのCNNベースラインと比較して,新しいトレーニング手法による小さなViTアーキテクチャが,競合するマクロ平均F1を実現することを示す。
  論文  参考訳（メタデータ） (2026-02-08T20:45:58Z)
• Evaluating and Enhancing the Vulnerability Reasoning Capabilities of Large Language Models [15.849480549367684]
  本稿では,DAG生成タスクとして脆弱性推論をモデル化する新しいフレームワークであるDAGVulを提案する。 さらにReinforcement Learning with Verifiable Rewards (RLVR)を導入することで、モデル推論トレースをプログラム固有の論理と整合させる。 我々のフレームワークは、すべてのベースラインに対して平均18.9%の推論F1スコアを改善します。
  論文  参考訳（メタデータ） (2026-02-06T13:19:45Z)
• ProAct: Agentic Lookahead in Interactive Environments [56.50613398808361]
  ProActは、2段階のトレーニングパラダイムを通じて、エージェントが正確なルックアヘッド推論を内部化することを可能にするフレームワークである。 そこでは,環境に基づく探索から得られたトラジェクトリの微調整をエージェントが行うGLAD(Grounded LookAhead Distillation)を紹介する。 また,政策段階のアルゴリズムを改良する補助値推定器であるモンテカルロ批判(MC-Critic)を提案する。
  論文  参考訳（メタデータ） (2026-02-05T05:45:16Z)
• Revisiting the Scaling Properties of Downstream Metrics in Large Language Model Training [11.179110411255708]
  トレーニング予算からベンチマークパフォーマンスのスケーリングをモデル化するための直接的なフレームワークを提案する。 その結果, 直接的アプローチは従来提案していた2段階の手順よりも優れていることがわかった。 事前学習損失と下流評価結果の完全なセットを公表する。
  論文  参考訳（メタデータ） (2025-12-09T18:33:48Z)
• Benchmarking Corruption Robustness of LVLMs: A Discriminative Benchmark and Robustness Alignment Metric [49.393713730706445]
  汚損の堅牢性を評価するための識別サンプルを強調したベンチマークであるBench-Cを紹介する。 本稿では,ロバストネスアライメントスコア(RAS)を提案する。
  論文  参考訳（メタデータ） (2025-11-24T12:07:56Z)
• Learn from the Past: A Proxy Guided Adversarial Defense Framework with Self Distillation Regularization [53.04697800214848]
  敵対的訓練(AT)は、ディープラーニングモデルの堅牢性を固める上で重要な要素である。 AT方式は、目標モデルの防御のために直接反復的な更新を頼りにしており、不安定な訓練や破滅的なオーバーフィッティングといった障害に頻繁に遭遇する。 汎用プロキシガイド型防衛フレームワークLAST(bf Pbf astから学ぶ)を提案する。
  論文  参考訳（メタデータ） (2023-10-19T13:13:41Z)
• TWINS: A Fine-Tuning Framework for Improved Transferability of Adversarial Robustness and Generalization [89.54947228958494]
  本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。 本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。 TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
  論文  参考訳（メタデータ） (2023-03-20T14:12:55Z)
• A Unified Evaluation of Textual Backdoor Learning: Frameworks and Benchmarks [72.7373468905418]
  我々は,テキストバックドア学習の実装と評価を促進するオープンソースツールキットOpenBackdoorを開発した。 また,単純なクラスタリングに基づく防御ベースラインであるCUBEを提案する。
  論文  参考訳（メタデータ） (2022-06-17T02:29:23Z)
• A comparison of Monte Carlo dropout and bootstrap aggregation on the performance and uncertainty estimation in radiation therapy dose prediction with deep learning neural networks [0.46180371154032895]
  本稿では,モンテカルロ投棄法(MCDO)とブートストラップアグリゲーション(バッグング)をディープラーニングモデルに応用し,放射線治療用線量予測の不確かさを推定する手法を提案する。 パフォーマンス面では、バギングは調査対象のほとんどの指標において統計的に顕著な損失値と誤差を減少させる。
  論文  参考訳（メタデータ） (2020-11-01T00:24:43Z)
• Adversarial Attack and Defense of Structured Prediction Models [58.49290114755019]
  本論文では,NLPにおける構造化予測タスクに対する攻撃と防御について検討する。 構造化予測モデルの構造化出力は、入力中の小さな摂動に敏感である。 本稿では,シーケンス・ツー・シーケンス・モデルを用いて,構造化予測モデルへの攻撃を学習する,新規で統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-04T15:54:03Z)
• Sparse representation for damage identification of structural systems [11.397437423613418]
  モデル更新とスパース損傷識別のための2段階感度解析に基づく新しいフレームワークを提案する。 次に、準$ell法上に構築されたスパース表現パイプラインを、損傷と局所化定量化のために提示する。 提案手法は, 構造損傷の局所化と定量化の両方を高精度に行うことができることを示す。
  論文  参考訳（メタデータ） (2020-06-06T18:04:35Z)

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。