論文の概要: Risk Is Not the Target: A Monotonic Framework for Evaluating Wildfire Operational Risk Signals
- arxiv url: http://arxiv.org/abs/2607.21597v1
- Date: Thu, 23 Apr 2026 11:28:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-02 22:55:38.929986
- Title: Risk Is Not the Target: A Monotonic Framework for Evaluating Wildfire Operational Risk Signals
- Title（参考訳）: リスクはターゲットではない - ワイルドファイアの運用リスク信号を評価するためのモノトニックフレームワーク
- Abstract要約: F1-scoreやIoUといった標準的な機械学習メトリクスを使用して、山火事のリスクシステムを評価することは、根本的な欠陥である。
本研究は、予測リスクスコアの増加が観測された運用負荷の増加と一貫して一致するかどうかを測定する新しいモノトニック評価フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.9099663022952497
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Evaluating wildfire risk systems using standard machine-learning metrics such as F1-score or IoU is fundamentally flawed: these metrics assess event prediction accuracy, not the operational coherence of a continuous risk signal. This work proposes a novel monotonic evaluation framework that measures whether increases in a predicted risk score consistently correspond to increases in observed operational load, such as number of fires, intervention time, and deployed resources. Moreover, we compare three structurally different approaches on the French Alpes-Maritimes department: the expert-based DFE index, GRU- based predictive models, and FARS, a hybrid multi-agent system combining predictive AI with LLM-based reasoning. Experimental results reveal that the DFE, despite poor classification metrics, exhibits the most balanced monotonic behavior across the full risk scale. GRU models achieve strong local monotonicity but fail to produce well-distributed risk levels. FARS inherits and reveals the structural limitations of upstream signals rather than correcting them. The central finding is a paradigm shift: a good risk model does not predict fires accurately, but one whose ordinal scale meaningfully explains operational dynamics, as proved in this paper. Code of the monotonic framework is available on github.
- Abstract（参考訳）: F1-scoreやIoUといった標準的な機械学習メトリクスを使用した山火事リスクシステムの評価には根本的な欠陥がある。
本研究は,予測リスクスコアの増加が,火災数,介入時間,配備資源など,観測された運用負荷の増加と一貫して一致するかどうかを測定する,新しいモノトニック評価フレームワークを提案する。
さらに、フレンチ・アルペス・マリタイムズ部門における3つの構造的なアプローチ、専門家ベースのDFE指数、GRUベースの予測モデル、および予測AIとLLMベースの推論を組み合わせたハイブリッドマルチエージェントシステムであるFARSを比較した。
実験の結果、DFEは分類基準が不十分なにもかかわらず、完全なリスクスケールで最もバランスのとれたモノトニックな挙動を示すことが明らかとなった。
GRUモデルは強い局所的単調性を達成するが、よく分散されたリスクレベルを生じさせない。
FARSはそれを修正するのではなく、上流信号の構造的制限を継承し、明らかにする。
良いリスクモデルが火災を正確に予測するわけではないが、この論文で証明されたように、規則スケールが運用力学を意味的に説明している。
モノトニックフレームワークのコードはgithubで入手できる。
関連論文リスト
- Modeling Local Exploit Hazard - A Bayesian Framework for Quantifying Exploit Risk and Operational Efficiency [0.0]
ローカル・エクスプロイト・ハザード・モデルは、エクスプロイト・ハザード・モデルによって生成されたグローバル・確率を、組織自身の資産に対する日々のエクスプロイト・ハザード・レートに変換する。
モデルは、確率分布としてデプロイされた制御の悪用防止効果を測定する。
論文 参考訳（メタデータ） (2026-07-27T16:15:00Z) - GroundControl: Anticipating Navigation Failures in Vision-Language Agents via Trajectory-Consistent Uncertainty Estimates [3.7267095596919053]
視覚言語ナビゲーションエージェントは、ベンチマークタスクで平均的な競合的な成功を達成するが、予測可能な軌道レベルのブレークダウンによって失敗が発生することが多い。
信頼性の高いデプロイメントには、即時的なアクションエントロピーのみを反映するのではなく、実行中に発生する障害のダイナミクスを予測する不確実性信号が必要である。
本稿では,各エピソードに集約された目標方向距離-ゴール間距離の統計的偏差として定義される軌道整合不確実性推定器であるemphGroundControlを紹介する。
論文 参考訳（メタデータ） (2026-06-18T16:56:20Z) - Action-Conditioned Risk Gating for Safety-Critical Control under Partial Observability [79.08785366532287]
部分観測可能性下でのリスク感応制御のための軽量なリスクゲート強化学習近似を提案する。
安全クリティカルな部分観測可能な2つの領域 – 自動グルコース調節と安全制約ナビゲーション – でアプローチを評価した。
論文 参考訳（メタデータ） (2026-05-14T01:23:09Z) - Safety-Oriented Evaluation of Language Understanding Systems for Air Traffic Control [7.102251210849638]
本稿では, 航空交通制御(ATC)の運用に適した, 安全性を重視した結果認識評価フレームワークを提案する。
以上の結果から,現在のLCMは合理的な集約精度を達成できるが,運用信頼性は著しく制限されていることが明らかとなった。
これらの知見は、AI支援ATCシステムの責任ある展開において、結果認識評価プロトコルの必要性を浮き彫りにしている。
論文 参考訳（メタデータ） (2026-05-12T08:39:54Z) - Emergent Strategic Reasoning Risks in AI: A Taxonomy-Driven Evaluation Framework [63.74295981594549]
大規模言語モデル(LLM)は、自身の目的を達成する行動に関与している。
これには、詐欺(故意に誤解を招くユーザや評価者)、評価ゲーム(安全テスト中のパフォーマンスを戦略的に操作する)、報酬ハッキングなどが含まれる。
自動行動リスク評価のための分類駆動型エージェントフレームワークであるESRRSimを紹介する。
論文 参考訳（メタデータ） (2026-04-23T23:44:01Z) - Building a Foundational Guardrail for General Agentic Systems via Synthetic Data [76.18834864749606]
LLMエージェントは、計画段階で介入するマルチステップタスクを計画できる。
既存のガードレールは主にポスト・エグゼクティブ(英語版)を運用しており、スケーリングが困難であり、計画レベルで制御可能な監督を行う余地がほとんどない。
我々は、良性軌道を合成し、カテゴリーラベル付きリスクを困難に注入し、自動報酬モデルを介して出力をフィルタリングする制御可能なエンジンであるAuraGenを紹介する。
論文 参考訳（メタデータ） (2025-10-10T18:42:32Z) - MARBLE: A Multi-Agent Rule-Based LLM Reasoning Engine for Accident Severity Prediction [1.3102025155414727]
交通安全システムにおいて,事故重大度予測が重要な役割を担っている。
既存の方法はしばしばモノリシックモデルやブラックボックスプロンプトに依存している。
本稿では,多エージェントルールに基づくLLMエンジンを提案し,その重大性予測タスクを,専門的推論エージェントのチーム間で分解する。
論文 参考訳（メタデータ） (2025-07-07T11:27:49Z) - Cannot See the Forest for the Trees: Invoking Heuristics and Biases to Elicit Irrational Choices of LLMs [83.11815479874447]
本研究では,人間の認知における認知的分解と偏見に触発された新しいジェイルブレイク攻撃フレームワークを提案する。
我々は、悪意のあるプロンプトの複雑さと関連バイアスを減らし、認知的分解を用いて、プロンプトを再編成する。
また、従来の二分的成功または失敗のパラダイムを超越したランキングベースの有害度評価指標も導入する。
論文 参考訳（メタデータ） (2025-05-03T05:28:11Z) - Controlling Risk of Retrieval-augmented Generation: A Counterfactual Prompting Framework [77.45983464131977]
我々は、RAGモデルの予測が誤りであり、現実のアプリケーションにおいて制御不能なリスクをもたらす可能性がどの程度あるかに焦点を当てる。
本研究は,RAGの予測に影響を及ぼす2つの重要な潜伏要因を明らかにする。
我々は,これらの要因をモデルに誘導し,その応答に与える影響を解析する,反実的プロンプトフレームワークを開発した。
論文 参考訳（メタデータ） (2024-09-24T14:52:14Z) - Safe Deployment for Counterfactual Learning to Rank with Exposure-Based
Risk Minimization [63.93275508300137]
本稿では,安全な配置を理論的に保証する新たなリスク認識型対実学習ランク法を提案する。
提案手法の有効性を実験的に検証し,データが少ない場合の動作不良の早期回避に有効であることを示す。
論文 参考訳（メタデータ） (2023-04-26T15:54:23Z)
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。