論文の概要: Not a fragment, but the whole: Map-based evaluation of data-driven Fire Danger Index models

• arxiv url: http://arxiv.org/abs/2603.25469v1
• Date: Thu, 26 Mar 2026 14:11:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.324827
• Title: Not a fragment, but the whole: Map-based evaluation of data-driven Fire Danger Index models
• Title（参考訳）: フラグメントではなく全体:データ駆動型火災危険指数モデルのマップに基づく評価
• Abstract要約: 成長する文献は、機械学習手法を用いて山火事の発生を予測することに重点を置いている。 本研究では,現実世界の意思決定に適合した森林火災予測モデルの評価手法を提案する。
• 参考スコア（独自算出の注目度）: 0.34410212782758043
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A growing body of literature has focused on predicting wildfire occurrence using machine learning methods, capitalizing on high-resolution data and fire predictors that canonical process-based frameworks largely ignore. Standard evaluation metrics for an ML classifier, while important, provide a potentially limited measure of the model's operational performance for the Fire Danger Index (FDI) forecast. Furthermore, model evaluation is frequently conducted without adequately accounting for false positive rates, despite their critical relevance in operational contexts. In this paper, we revisit the daily FDI model evaluation paradigm and propose a novel method for evaluating a forest fire forecasting model that is aligned with real-world decision-making. Furthermore, we systematically assess performance in accurately predicting fire activity and the false positives (false alarms). We further demonstrate that an ensemble of ML models improves both fire identification and reduces false positives.
• Abstract（参考訳）: 成長する文献の分野は、機械学習手法による山火事発生の予測、高解像度のデータと標準的なプロセスベースのフレームワークをほとんど無視するファイア予測に重点を置いている。 ML分類器の標準評価基準は、重要なものの、ファイア・ダンガー・インデックス(FDI)予測に対するモデルの運用性能の潜在的に制限された指標を提供する。 さらに、運用状況において重要な意味があるにもかかわらず、偽陽性率を適切に考慮することなく、モデル評価を頻繁に実施する。 本稿では、日々のFDIモデル評価パラダイムを再考し、現実の意思決定と整合した森林火災予測モデルを評価するための新しい手法を提案する。 さらに,火災活動と偽陽性(偽アラーム)を正確に予測する性能を系統的に評価した。 さらに,MLモデルのアンサンブルは火災識別と偽陽性の低減を両立させることを示した。

関連論文リスト

• The Tail Tells All: Estimating Model-Level Membership Inference Vulnerability Without Reference Models [8.453525669833853]
  本稿では,モデルレベルの脆弱性である低FPRにおけるTPRを,参照モデルを必要としないメンバシップ推論攻撃に推定するための新しいアプローチを提案する。 本手法は,RMIAなどの低コスト(参照モデル)攻撃と,他の分布差の測定値よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-10-22T17:03:55Z)
• Reference-Specific Unlearning Metrics Can Hide the Truth: A Reality Check [60.77691669644931]
  本研究では,非学習モデルと参照モデル間の分布類似度を測定する新しい尺度であるFADE(Functional Alignment for Distributional Equivalence)を提案する。 FADEは出力分布全体の機能的アライメントをキャプチャし、真の未学習の原則的評価を提供する。 これらの知見は、現在の評価実践における根本的なギャップを明らかにし、FADEが真に効果的な未学習手法を開発し評価するための、より堅牢な基盤を提供することを示した。
  論文  参考訳（メタデータ） (2025-10-14T20:50:30Z)
• A Probabilistic Perspective on Unlearning and Alignment for Large Language Models [48.96686419141881]
  大規模言語モデル(LLM)のための最初の形式的確率的評価フレームワークを紹介する。 すなわち,モデルの出力分布に関する確率保証の高い新しい指標を提案する。 私たちのメトリクスはアプリケーションに依存しないので、デプロイ前にモデル機能についてより信頼性の高い見積を行うことができます。
  論文  参考訳（メタデータ） (2024-10-04T15:44:23Z)
• Prescribed Fire Modeling using Knowledge-Guided Machine Learning for Land Management [2.158876211806538]
  本稿では,所定の火災を迅速にエミュレーションできる機械学習(ML)フレームワークを提案する。 ドメイン知識を取り入れることで,データ共有シナリオにおける燃料密度推定の物理的不整合を低減することができる。 また,階層構造を組み込んだ火災拡散指標の偏り推定の問題も克服した。
  論文  参考訳（メタデータ） (2023-10-02T19:38:04Z)
• Rigorous Assessment of Model Inference Accuracy using Language Cardinality [5.584832154027001]
  我々は,統計的推定を決定論的精度尺度に置き換えることで,モデル精度評価におけるバイアスと不確実性を最小化する体系的アプローチを開発する。 我々は、最先端の推論ツールによって推定されるモデルの精度を評価することによって、我々のアプローチの一貫性と適用性を実験的に実証した。
  論文  参考訳（メタデータ） (2022-11-29T21:03:26Z)
• Exploring validation metrics for offline model-based optimisation with diffusion models [50.404829846182764]
  モデルベース最適化(MBO)では、マシンラーニングを使用して、(基底真理)オラクルと呼ばれるブラックボックス関数に対する報酬の尺度を最大化する候補を設計することに興味があります。 モデル検証中に基底オラクルに対する近似をトレーニングし、その代わりに使用することができるが、その評価は近似的であり、敵の例に対して脆弱である。 本手法は,外挿量を測定するために提案した評価フレームワークにカプセル化されている。
  論文  参考訳（メタデータ） (2022-11-19T16:57:37Z)
• The Implicit Delta Method [61.36121543728134]
  本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。 有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
  論文  参考訳（メタデータ） (2022-11-11T19:34:17Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Firearm Detection via Convolutional Neural Networks: Comparing a Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
  武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。 これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。 従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
  論文  参考訳（メタデータ） (2020-12-17T15:19:29Z)
• A Zero-Shot based Fingerprint Presentation Attack Detection System [8.676298469169174]
  PADモデルの一般化を保証するため,新しいゼロショット提示検出モデルを提案する。 生成モデルに基づくZSPADモデルでは, 確立過程において負のサンプルを一切利用しない。 本論文では,提案モデルの性能向上のために,9つの信頼性スコアについて論じる。
  論文  参考訳（メタデータ） (2020-02-12T10:52:38Z)

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。