論文の概要: Environment-Adaptive Preference Optimization for Wildfire Prediction

• arxiv url: http://arxiv.org/abs/2605.12435v1
• Date: Tue, 12 May 2026 17:31:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:57.052013
• Title: Environment-Adaptive Preference Optimization for Wildfire Prediction
• Title（参考訳）: 森林火災予測のための環境適応予測最適化
• Authors: Enyi Jiang, Wu Sun,
• Abstract要約: Environment-Adaptive Preference Optimization (EAPO) は、長期分布で予測をターゲット環境に適応させるフレームワークである。 EAPOはロバストな性能(ROC-AUC 0.7310)を達成し、極端な状況での検知を改善し、動的山火事予測システムにおいてその効果を示す。
• 参考スコア（独自算出の注目度）: 5.50676041931361
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting rare extreme events such as wildfires from meteorological data requires models that remain reliable under evolving environmental conditions. This problem is inherently long-tailed: wildfire events are rare but high-impact, while most observations correspond to non-fire conditions, causing standard learning objectives to underemphasize the minority class (fire) that matters most. In addition, models trained on historical distributions often fail under distribution shifts, exhibiting degraded performance in new environments. To this end, we propose Environment-Adaptive Preference Optimization (EAPO), a framework that adapts prediction to the target environment with long-tail distribution. Given a new input distribution, we first construct distribution-aligned datasets via $k$-nearest neighbor retrieval. We then perform a hybrid fine-tuning procedure on this local manifold, combining supervised learning with preference optimization, as well as emphasizing on rare extreme events. EAPO refines decision boundaries while avoiding conflicting signals from heterogeneous training data. We evaluate EAPO on a real-world wildfire prediction task with environmental shifts. EAPO achieves robust performance (ROC-AUC 0.7310) and improves detection in extreme regimes, demonstrating its effectiveness in dynamic wildfire prediction systems.
• Abstract（参考訳）: 気象データから山火事などの稀な極端な事象を予測するには、進化する環境条件下で信頼できるモデルが必要である。 この問題は本質的には長い尾を持つ: 野火の出来事は稀だが高い影響を受け、多くの観測結果が非火災条件に対応し、標準的な学習目標が最も重要となる少数民族(火災)を過小評価する。 さらに、歴史的分布で訓練されたモデルは、しばしば分布シフトの下で失敗し、新しい環境では劣化した性能を示す。 そこで本研究では,環境適応型優先度最適化(EAPO, Environment-Adaptive Preference Optimization)を提案する。 新たな入力分布が与えられると、まず、$k$-nearest 近くの検索によって分布に整合したデータセットを構築します。 次に、この局所多様体上で、教師付き学習と選好最適化を組み合わせたハイブリッド微調整処理を行い、稀な極端事象を強調する。 EAPOは、不均一なトレーニングデータからの競合信号を避けながら、決定境界を洗練します。 環境変化を考慮した実世界の山火事予測課題におけるEAPOの評価を行った。 EAPOはロバストな性能(ROC-AUC 0.7310)を達成し、極端な状況での検知を改善し、動的山火事予測システムにおいてその効果を示す。

関連論文リスト

• Probabilistic Forecasting of Localized Wildfire Spread Based on Conditional Flow Matching [0.0]
  本研究では, 条件付き流れマッチングアルゴリズムに基づく局所的な山火事拡散の確率的サロゲートモデルを提案する。 この手法は、着火時刻の条件分布を学習することにより、火災進行をプロセスとしてモデル化する。 以上の結果から, 火災発生の多様性を把握し, 正確なアンサンブル予測を行うことができた。
  論文  参考訳（メタデータ） (2026-03-27T20:39:02Z)
• Extreme-value forest fire prediction A study of the Loss Function in an Ordinality Scheme [2.2049183478692593]
  本報告では,フランスにおける運用上の意思決定と直接一致した山火事の重症度を予測するための,最初の規則分類フレームワークについて紹介する。 本研究では,損失関数設計が,希少かつ重要な高重度火災発生を予測するニューラルネットワークの能力に与える影響について検討した。
  論文  参考訳（メタデータ） (2026-01-06T15:46:56Z)
• Model-Based Policy Adaptation for Closed-Loop End-to-End Autonomous Driving [54.46325690390831]
  本稿では,事前学習したE2E運転エージェントのロバスト性と安全性を高めるための汎用フレームワークとして,モデルベースポリシー適応(MPA)を提案する。 MPAは、ジオメトリ一貫性のあるシミュレーションエンジンを用いて、まず様々な対物軌道を生成する。 MPAは拡散ベースのポリシーアダプタを訓練し、基本方針の予測を洗練させ、Q値モデルを多段階に分けて長期的な結果を評価する。
  論文  参考訳（メタデータ） (2025-11-26T17:01:41Z)
• Universal Adaptive Environment Discovery [9.289361622607453]
  環境をインスタンス化するデータ変換の分散を学習する統合フレームワークを提案する。 UAEDは、事前に定義されたグループや手動の環境設計なしに、IRM、REx、GroupDRO、Coralの適応的なバリエーションを出力する。 以上の結果から,環境適応化はアウト・オブ・ディストリビューションの一般化への実践的経路であることが示唆された。
  論文  参考訳（メタデータ） (2025-10-14T14:10:16Z)
• Multi-model Ensemble Conformal Prediction in Dynamic Environments [14.188004615463742]
  本稿では,複数の候補モデルから予測セットを作成するために使用されるモデルを選択する適応型共形予測フレームワークを提案する。 提案アルゴリズムは, 有効なカバレッジを維持しつつ, 全区間にわたる強い適応的後悔を達成できることが証明された。
  論文  参考訳（メタデータ） (2024-11-06T05:57:28Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Grounding Aleatoric Uncertainty in Unsupervised Environment Design [32.00797965770773]
  部分的に観測可能な設定では、最適ポリシーは、環境のアレタリックなパラメータに対する地道的な分布に依存する可能性がある。 基礎となるトレーニングデータがCICSによってバイアスを受ける場合であっても, 地中実効性関数を最適化するミニマックス後悔UED法を提案する。
  論文  参考訳（メタデータ） (2022-07-11T22:45:29Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)

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。