論文の概要: Knowledge-Data Dually Driven Paradigm for Accurate Landslide Susceptibility Prediction under Data-Scarce Conditions Using Geomorphic Priors and Tabular Foundation Model
- arxiv url: http://arxiv.org/abs/2604.25196v1
- Date: Tue, 28 Apr 2026 04:05:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-29 16:49:17.708225
- Title: Knowledge-Data Dually Driven Paradigm for Accurate Landslide Susceptibility Prediction under Data-Scarce Conditions Using Geomorphic Priors and Tabular Foundation Model
- Title（参考訳）: ジオモルフィック先行モデルとタブラル基礎モデルを用いたデータスカース条件下での正確な地すべり感受性予測のための知識-データ二重駆動パラダイム
- Authors: Yuting Yang, Gang Mei, Feng Chen, Yongshuang Zhang, Jianbing Peng,
- Abstract要約: 本稿では,データスカース条件下での正確な地すべり感受性予測のための知識データ二重駆動パラダイムを提案する。
提案したパラダイムを検証するために,イタリア中部のデータリッチな地域に最初に適用した。そこでは,データセット全体をトレーニングした従来のデータ駆動型パラダイムがベースラインとして機能した。
利用可能な地すべりデータの30%しか利用できないため,提案手法はベースラインに匹敵する予測精度を達成し,データスカース条件下での有効性を実証した。
- 参考スコア（独自算出の注目度）: 5.053287813798989
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Landslide susceptibility prediction is critical for geohazard risk assessment and mitigation. Conventional data-driven paradigm achieves high predictive accuracy but require sufficient conditioning factors and large-scale landslide inventories. However, in practical engineering applications across mountainous and plateau regions, data-scarce conditions are commonly observed, where such data requirements are rarely satisfied, rendering conventional data-driven paradigm inapplicable. To address this issue, we propose a knowledge-data dually driven paradigm for accurate landslide susceptibility prediction under data-scarce conditions. The essential idea behind the proposed novel paradigm is the integration of the geomorphic prior knowledge with scarce landslide data. To validate the proposed paradigm, we first applied it to a data-rich region in central Italy, where a conventional data-driven paradigm trained on the full dataset served as the baseline. By utilizing only 30% of the available landslide data, the proposed paradigm achieved comparable predictive accuracy to the baseline, demonstrating its effectiveness under data-scarce conditions. The paradigm was further evaluated in a genuinely data-scarce environment for application, the Qilian Permafrost Region of the Tibetan Plateau, where it also yielded reliable susceptibility predictions, confirming its applicability under data-scarce conditions.
- Abstract（参考訳）: 地すべりの感受性予測はジオハザードリスク評価と緩和に重要である。
従来のデータ駆動パラダイムは高い予測精度を実現するが、十分な条件付け係数と大規模な地すべり在庫が必要である。
しかし、山岳地域や高原地域をまたいだ実践的な工学的応用では、そのようなデータ要求を満たすことは稀であり、従来のデータ駆動パラダイムを適用できない。
この問題に対処するために,データスカース条件下での正確な地すべり感受性予測のための知識データ二重駆動パラダイムを提案する。
提案された新しいパラダイムの背景にある基本的な考え方は、地形的事前知識と地すべりの少ないデータの統合である。
提案したパラダイムを検証するために,イタリア中部のデータリッチな地域に最初に適用した。そこでは,データセット全体をトレーニングした従来のデータ駆動型パラダイムがベースラインとして機能した。
利用可能な地すべりデータの30%しか利用できないため,提案手法はベースラインに匹敵する予測精度を達成し,データスカース条件下での有効性を実証した。
このパラダイムは、チベット高原のキリアン永久凍土地域(Qilian Permafrost Region)の真にデータスカースな環境でさらに評価され、データスカース条件下での適用性を確認した。
関連論文リスト
- A Knowledge-Informed Pretrained Model for Causal Discovery [61.8885572392623]
因果発見は広く研究されてきたが、多くの既存の手法は強い仮定に依存している。
本稿では,弱い事前知識を原則的中核として統合した,因果発見のための知識インフォームド事前学習モデルを提案する。
本モデルでは,2つのソースエンコーダ・デコーダアーキテクチャを用いて,観測データを知識に富んだ方法で処理する。
論文 参考訳（メタデータ） (2026-03-21T14:59:41Z) - Formal Bayesian Transfer Learning via the Total Risk Prior [1.8570591025615457]
我々は、前者の特定のインスタンス化が、変換座標系におけるベイズラッソにどのように導かれるかを示す。
また、最近提案されたミニマックス周波数変換学習技術は、我々のモデルに対するPosterioriアプローチの近似的な最大値と見なせることを示した。
論文 参考訳（メタデータ） (2025-07-31T17:55:16Z) - Beyond the Norm: A Survey of Synthetic Data Generation for Rare Events [5.619671817895425]
市場崩壊、自然災害、パンデミックなどの極端な出来事は稀だが大惨事である。
データ駆動型メソッドは、極端なイベントモデリングに強力な機能を提供するが、豊富なトレーニングデータを必要とするが、極端なイベントデータは本質的に不足している。
この調査は、極端な事象に対する合成データ生成の最初の概要を提供する。
論文 参考訳（メタデータ） (2025-06-04T20:21:23Z) - Inference at the data's edge: Gaussian processes for modeling and inference under model-dependency, poor overlap, and extrapolation [0.0]
ガウス過程 (GP) はフレキシブルな非線形回帰法である。
これは、予測された(非現実的な)値に対する不確実性を扱うための原則化されたアプローチを提供する。
これは外挿または弱い重なり合いの条件下では特に有用である。
論文 参考訳（メタデータ） (2024-07-15T05:09:50Z) - Source-Free Unsupervised Domain Adaptation with Hypothesis Consolidation
of Prediction Rationale [53.152460508207184]
Source-Free Unsupervised Domain Adaptation (SFUDA)は、モデルがターゲットのドメインラベルやソースドメインデータにアクセスせずに新しいドメインに適応する必要がある、という課題である。
本稿では,各サンプルについて複数の予測仮説を考察し,各仮説の背景にある理論的根拠について考察する。
最適性能を達成するために,モデル事前適応,仮説統合,半教師付き学習という3段階の適応プロセスを提案する。
論文 参考訳（メタデータ） (2024-02-02T05:53:22Z) - PreDiff: Precipitation Nowcasting with Latent Diffusion Models [28.52267957954304]
確率的予測が可能な条件付き潜伏拡散モデルを開発した。
予測をドメイン固有の物理的制約と整合させるために、明示的な知識アライメント機構を組み込んだ。
論文 参考訳（メタデータ） (2023-07-19T19:19:13Z) - Uncertainty-guided Source-free Domain Adaptation [77.3844160723014]
ソースフリードメイン適応(SFDA)は、事前訓練されたソースモデルのみを使用することで、未ラベルのターゲットデータセットに分類器を適応させることを目的としている。
本稿では、ソースモデル予測の不確実性を定量化し、ターゲット適応の導出に利用することを提案する。
論文 参考訳（メタデータ） (2022-08-16T08:03:30Z) - Data-SUITE: Data-centric identification of in-distribution incongruous
examples [81.21462458089142]
Data-SUITEは、ID(In-distriion)データの不連続領域を特定するためのデータ中心のフレームワークである。
我々は,Data-SUITEの性能保証とカバレッジ保証を実証的に検証する。
論文 参考訳（メタデータ） (2022-02-17T18:58:31Z) - Scalable Marginal Likelihood Estimation for Model Selection in Deep
Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。
本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文 参考訳（メタデータ） (2021-04-11T09:50:24Z) - Training Deep Normalizing Flow Models in Highly Incomplete Data
Scenarios with Prior Regularization [13.985534521589257]
ハイパウシティシナリオにおけるデータ分布の学習を容易にする新しいフレームワークを提案する。
提案手法は,不完全データから学習過程を協調最適化タスクとして行うことに由来する。
論文 参考訳（メタデータ） (2021-04-03T20:57:57Z) - Incorporating Causal Graphical Prior Knowledge into Predictive Modeling
via Simple Data Augmentation [92.96204497841032]
因果グラフ(CG)は、データ分散の背後にあるデータ生成プロセスの知識のコンパクトな表現である。
本研究では,条件付き独立性(CI)関係の事前知識を活用可能なモデルに依存しないデータ拡張手法を提案する。
本手法は,小データシステムにおける予測精度の向上に有効であることを実験的に示した。
論文 参考訳（メタデータ） (2021-02-27T06:13:59Z)
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。