論文の概要: Conformal Risk Control for Safety-Critical Wildfire Evacuation Mapping: A Comparative Study of Tabular, Spatial, and Graph-Based Models

• arxiv url: http://arxiv.org/abs/2603.22331v1
• Date: Fri, 20 Mar 2026 21:05:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.069723
• Title: Conformal Risk Control for Safety-Critical Wildfire Evacuation Mapping: A Comparative Study of Tabular, Spatial, and Graph-Based Models
• Title（参考訳）: 安全批判型山火事避難マップのコンフォーマルリスク制御--タブラルモデル,空間モデル,グラフモデルの比較検討
• Authors: Baljinnyam Dayan,
• Abstract要約: 本研究は,山火事拡散予測へのCRC(Continual Risk Control)の初回適用について述べる。 標準閾値は真の火の広がりの7～72%しか捉えていないが、CRCはこの失敗を均一に排除している。 CRCのどちらのモデルも約95%の耐火性能を達成し、全ピクセルの15%しかフラグを付けていないため、LightGBMの4.2倍効率が良い。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Every wildfire prediction model deployed today shares a dangerous property: none of these methods provides formal guarantees on how much fire spread is missed. Despite extensive work on wildfire spread prediction using deep learning, no prior study has applied distribution-free safety guarantees to this domain, leaving evacuation planners reliant on probability thresholds with no formal assurance. We address this gap by presenting, to our knowledge, the first application of conformal risk control (CRC) to wildfire spread prediction, providing finite-sample guarantees on false negative rate (FNR <= 0.05). We expose a stark failure: across three model families of increasing complexity (tabular: LightGBM, AUROC 0.854; convolutional: Tiny U-Net, AUROC 0.969; and graph-based: Hybrid ResGNN-UNet, AUROC 0.964), standard thresholds capture only 7-72% of true fire spread. CRC eliminates this failure uniformly. Our central finding is that model architecture determines evacuation efficiency, while CRC determines safety: both spatial models with CRC achieve approximately 95% fire coverage while flagging only approximately 15% of total pixels, making them 4.2x more efficient than LightGBM, while the graph model's additional complexity over a simple U-Net yields no meaningful efficiency gain. We propose a shift-aware three-way CRC framework that assigns SAFE/MONITOR/EVACUATE zones for operational triage, and characterize a fundamental limitation of prevalence-weighted bounds under extreme class imbalance (approximately 5% fire prevalence). All models, calibration code, and evaluation pipelines are released for reproducibility.
• Abstract（参考訳）: 今日デプロイされたすべての山火事予測モデルは、危険な性質を共有している。 深層学習を用いた山火事拡散予測に関する広範な研究にもかかわらず、この領域に分布のない安全保証を適用した以前の研究は行われておらず、避難プランナーは正式な保証を伴わない確率しきい値に依存している。 我々は,このギャップを,我々の知る限り,最初の共形リスク制御(CRC)の山火事拡散予測への応用として提示し,偽陰性率(FNR <= 0.05)に対する有限サンプル保証を提供することによって解決する。 複雑化する3つのモデルファミリ(タブラリ: LightGBM, AUROC 0.854,畳み込み: Tiny U-Net, AUROC 0.969, グラフベース: Hybrid ResGNN-UNet, AUROC 0.964)にまたがって、標準閾値は真の火の拡散の7～72%しか捉えていない。 CRCはこの障害を均一に排除する。 我々の中心的な発見は、モデルアーキテクチャが避難効率を決定するのに対して、CRCが安全を決定することである。CRCの空間モデルとCRCの両者は、約95%の消火率を達成し、全体の15%しかフラグを付けていないため、LightGBMの4.2倍効率が向上する一方、単純なU-Netに対するグラフモデルのさらなる複雑さは、有意義な効率向上をもたらすことはない。 本研究では,SAFE/MONITOR/EVACUATEゾーンを運用トリアージに割り当てるシフトアウェア三方向CRCフレームワークを提案する。 すべてのモデル、校正コード、評価パイプラインが再現性のためにリリースされている。

関連論文リスト

• BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
  マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。 両課題に対処する統合フレームワークであるBadCLIP++を提案する。 ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。 持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
  論文  参考訳（メタデータ） (2026-02-19T08:31:16Z)
• Mitigating Safety Tax via Distribution-Grounded Refinement in Large Reasoning Models [63.368505631152594]
  安全調整は、大きな推論モデル(LRM)の一般的な推論能力を乱す安全税を発生させる。 LRMの安全アライメントに使われる既存のデータセットは、通常、外部のLRMまたは人間のラベルから安全推論の痕跡と回答を蒸留することによって構築される。 本稿では,DGRと呼ばれる安全アライメントデータセット構築手法を提案する。DGRは,既存のアウト・オブ・ディストリビューション型安全推論データセットを改良し,目標のLLM内部分布に適合させる。
  論文  参考訳（メタデータ） (2026-02-02T14:18:48Z)
• Latent Sculpting for Zero-Shot Generalization: A Manifold Learning Approach to Out-of-Distribution Anomaly Detection [2.8547732086436306]
  教師付きディープラーニングの基本的限界は「一般化崩壊」である 階層型2段階表現学習フレームワークであるLatent Sculptingを提案する。 我々は「浸潤」のシナリオについて88.89%の検知率を報告した。
  論文  参考訳（メタデータ） (2025-12-19T11:37:02Z)
• Quantifying Return on Security Controls in LLM Systems [0.0]
  本稿では、残留リスクを定量化するための意思決定指向フレームワークを提案する。 敵のプローブの結果を金融リスク推定と戻り制御の指標に変換する。
  論文  参考訳（メタデータ） (2025-12-17T04:58:09Z)
• GraphPerf-RT: A Graph-Driven Performance Model for Hardware-Aware Scheduling of OpenMP Codes [7.204137900029132]
  GraphPerf-RTは、タスクDAGトポロジ、CFG由来のコードセマンティクス、ランタイムコンテキストを統一する最初のサロゲートである。 組み込みARMプラットフォーム(Jetson TX2, Jetson Orin NX, RUBIK Pi)上でGraphPerf-RTを検証する。 実験の結果、GraphPerf-RTはモデルフリーのベースラインに比べて66%のステパン還元(0.97 +/- 0.35s)と82%のエネルギー還元(0.006 +/- 0.005J)を達成した。
  論文  参考訳（メタデータ） (2025-12-12T23:46:05Z)
• Leveraging Cellular Automata for Real-Time Wildfire Spread Modeling in California [0.0]
  本研究では,重要な環境変数を組み込んだ細胞性オートマトン(CA)に基づく予測モデルを開発した。 2025年太平洋パラセード火災の火傷跡に対する混乱行列を用いたモデルの評価では, 0.860, 精度0.605, 総合F1スコア0.711を得た。
  論文  参考訳（メタデータ） (2025-10-10T02:31:57Z)
• CLIPure: Purification in Latent Space via CLIP for Adversarially Robust Zero-Shot Classification [65.46685389276443]
  画像とテキストプロンプトをマッチングすることでゼロショット分類を行うことができる、視覚言語で事前訓練されたエンコーダモデルであるCLIPについて検討する。 次に, 共分散精製プロセス間のKL分散として精製リスクを定式化する。 画像の潜伏ベクトルの確率をモデル化するCLI-Diffと、画像の埋め込みとaの写真とのコサイン類似度をモデル化するCLI-Cosの2つのバリエーションを提案する。
  論文  参考訳（メタデータ） (2025-02-25T13:09:34Z)
• Robust Fine-tuning of Zero-shot Models via Variance Reduction [56.360865951192324]
  微調整ゼロショットモデルの場合、このデシドラトゥムは細調整モデルで、分布内(ID)と分布外(OOD)の両方で優れる。 トレードオフを伴わずに最適なIDとOODの精度を同時に達成できるサンプルワイズアンサンブル手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T13:13:39Z)
• Distributionally Robust Multiclass Classification and Applications in Deep Image Classifiers [3.179831861897336]
  マルチクラスロジスティック回帰(MLR)のための分布ロバスト最適化(DRO)の定式化を開発する。 本研究では,新しいランダムトレーニング手法を採用することにより,試験誤差率を最大83.5%,損失を最大91.3%削減することを示した。
  論文  参考訳（メタデータ） (2021-09-27T02:58:19Z)
• Adversarial Training with Rectified Rejection [114.83821848791206]
  本稿では,信頼度(T-Con)を確実性オラクルとして利用し,信頼度を補正してT-Conを予測することを提案する。 軽度の条件下では、正当性(R-Con)拒絶器と信頼性(R-Con)拒絶器を結合して、不正に分類された入力と正しく分類された入力を区別できることを示す。
  論文  参考訳（メタデータ） (2021-05-31T08:24:53Z)

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。