論文の概要: Boundary-Aware Uncertainty Quantification for Wildfire Spread Prediction

• arxiv url: http://arxiv.org/abs/2605.03148v1
• Date: Mon, 04 May 2026 20:41:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.648167
• Title: Boundary-Aware Uncertainty Quantification for Wildfire Spread Prediction
• Title（参考訳）: 森林火災拡散予測のための境界認識不確かさの定量化
• Authors: Jonas V. Funk,
• Abstract要約: ほとんどのディープラーニングモデルは、原理的不確実性定量化(UQ)を欠いている。 クリティカルファイアゾーン内でUQを特徴付けるための空間条件付きプロトコルとして,FCERフレームワークが導入された。 学生モデルは、境界関連体制における同等の校正と相補的不確実性ランキングを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable wildfire spread prediction is vital for risk-aware emergency planning, yet most deep learning models lack principled uncertainty quantification (UQ). Further, for boundary-sensitive cases like wildfire spread, evaluating models with global metrics alone is often insufficient. To shift the focus of UQ evaluation toward a more operationally relevant approach, the Fire-Centered Evaluation Region (FCER) framework is introduced as a spatially conditioned protocol to characterize UQ within critical fire zones. Using FCER, an Ensemble is compared against an distilled single-pass student model on the WildfireSpreadTS dataset. The student model demonstrates comparable calibration and complementary uncertainty ranking in boundary-relevant regimes. Code is available at https://github. com/jonasvilhofunk/WildfireUQ-FCER
• Abstract（参考訳）: 信頼性の高い山火事拡散予測は、リスクを意識した緊急計画には不可欠であるが、ほとんどのディープラーニングモデルは、原則化された不確実性定量化(UQ)を欠いている。 さらに、山火事のような境界に敏感なケースでは、グローバルメトリクスのみを用いたモデルの評価が不十分であることが多い。 UQ評価の焦点を、より運用的なアプローチに移行するために、クリティカルファイアゾーン内でUQを特徴付けるための空間条件付きプロトコルとして、FCER(Fire-Centered Evaluation Region)フレームワークを導入している。 FCERを用いて、EnsembleはWildfireSpreadTSデータセット上の蒸留シングルパスの学生モデルと比較される。 学生モデルは、境界関連体制における同等の校正と相補的不確実性ランキングを示す。 コードはhttps://github.comで入手できる。 https://aws.com/jonasvilhofunk/WildfireUQ-FCER

関連論文リスト

• Conformal Risk Control for Safety-Critical Wildfire Evacuation Mapping: A Comparative Study of Tabular, Spatial, and Graph-Based Models [0.0]
  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。
  論文  参考訳（メタデータ） (2026-03-20T21:05:13Z)
• Target Concept Tuning Improves Extreme Weather Forecasting [51.43578341469291]
  気象予報のための深層学習モデルは、台風のような珍しいが高影響の出来事でしばしば失敗する。 既存の微調整手法は、これらの極端な出来事を見落とし、全体的なパフォーマンスを犠牲にしてそれらを過度に適合させるというトレードオフに直面します。 モデルの改良によって上記の問題を解決するための,解釈可能な概念付き微調整フレームワークであるTaCTを提案する。
  論文  参考訳（メタデータ） (2026-03-17T15:34:05Z)
• Adaptive Monitoring of Stochastic Fire Front Processes via Information-seeking Predictive Control [7.775545390766459]
  移動エージェント(ドローンなど)を用いて山火事の現場を適応的に監視する問題を考える。 野火の進化の性質は、検知、推定、制御のシームレスな統合を必要とするため、これは難しい問題である。 我々は, 火災前監視タスクを, 感知, 推定, 制御を統合した最適制御問題として定式化する。
  論文  参考訳（メタデータ） (2026-01-16T12:21:27Z)
• Uncertainty Quantification for Regression using Proper Scoring Rules [76.24649098854219]
  CRPS,対数,2乗誤差,2次スコアなど,適切なスコアリングルールに基づく回帰のための統一的UQフレームワークを提案する。 実測パラメトリックな仮定に基づく不確実性尺度に対する閉形式式を導出し、モデルのアンサンブルを用いてそれらを推定する方法を示す。 合成および実世界の回帰データセットに対する広範な評価は、信頼性の高いUQ尺度を選択するためのガイダンスを提供する。
  論文  参考訳（メタデータ） (2025-09-30T17:52:12Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• RICA2: Rubric-Informed, Calibrated Assessment of Actions [8.641411594566714]
  動作品質評価(AQA)の予測不確かさを考慮に入れた深層確率モデルRICA2を提案する。 本手法はFineDiving, MTL-AQA, JIGSAWSなどの公開ベンチマークにおいて, スコア予測と不確実性校正性能に優れた手法であることを示す。
  論文  参考訳（メタデータ） (2024-08-04T20:35:33Z)
• Has the Deep Neural Network learned the Stochastic Process? An Evaluation Viewpoint [17.897121328003617]
  本稿では,Deep Neural Networks (DNN) の評価に関する最初の体系的研究について述べる。 従来の評価手法は,観測対象の真実を再現するDNNの能力を評価するが,基礎となる過程を測ることができないことを示す。 我々は、F2SP(Fidelity toGT Process)と呼ばれる新しい評価基準を提案する。
  論文  参考訳（メタデータ） (2024-02-23T07:54:20Z)
• 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)
• Numerically assisted determination of local models in network scenarios [55.2480439325792]
  統計的振る舞いを再現する明示的な局所モデルを見つけるための数値ツールを開発する。 グリーンベルガー・ホルン・ザイリンガー(GHZ)およびW分布の臨界振動性に関する予想を提供する。 開発されたコードとドキュメントは、281.com/mariofilho/localmodelsで公開されている。
  論文  参考訳（メタデータ） (2023-03-17T13:24:04Z)

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。