論文の概要: SIREN: Towards End-to-End Extreme-Weather Early Warning with Experience-Grounded LLM Agents
- arxiv url: http://arxiv.org/abs/2607.24588v1
- Date: Mon, 27 Jul 2026 15:53:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.487144
- Title: SIREN: Towards End-to-End Extreme-Weather Early Warning with Experience-Grounded LLM Agents
- Title（参考訳）: SIREN: 体験型LDMエージェントによる極端から極端への早期警戒に向けて
- Abstract要約: 本研究では,Large Language Model (LLM) エージェントを介して,エンド・ツー・エンドの極端ウェザー早期警報を自動で検出する。
最初にSIREN-Benchを開発した。これは19タスクにわたる600の質問応答インスタンスからなるベンチマークである。
次に,専門家による歴史的事例の活用に触発された経験型エージェントフレームワークであるSIRENを開発する。
- 参考スコア（独自算出の注目度）: 16.21067814387017
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Early warning of extreme weather is essential for mitigating the societal, economic, and environmental risks posed by hazardous weather events. However, expert-centered warning workflows are costly, labor-intensive, and difficult to scale throughout the warning-to-action process. Although recent advances in Large Language Model (LLM) agents have enabled the automation of weather-related tasks, existing studies remain centered on isolated scientific tasks and overlook the chain of interdependent processes required for operational extreme-weather early warning. To bridge this gap, this study investigates automated end-to-end extreme-weather early warning through LLM agents. We first develop SIREN-Bench, a comprehensive benchmark comprising 600 question-answer instances across 19 tasks, and covering four individual warning procedures and an end-to-end warning chain. Evaluation on SIREN-Bench reveals substantial capability gaps in existing weather agent frameworks. This motivates us to develop SIREN, an experience-grounded agent framework inspired by experts' use of historical cases, which combines an agentic execution environment integrating heterogeneous weather evidence and tools with a family of agent harnesses that exploit historical cases through retrieval, skill distillation, and predictive modeling. Extensive experiments demonstrate that SIREN outperforms weather-agent baselines on both individual warning procedures and end-to-end warning chains.
- Abstract（参考訳）: 悪天候による社会、経済、環境リスクを緩和するためには、極端な気象の早期警戒が不可欠である。
しかし、専門家中心の警告ワークフローはコストが高く、労働集約的であり、警告対アクションプロセス全体にわたってスケールすることが難しい。
近年のLarge Language Model (LLM) エージェントの進歩により、気象関連タスクの自動化が可能になったが、既存の研究は独立した科学的タスクに集中し、運用上の極端に厳しい早期警戒に必要な相互依存プロセスの連鎖を見落としている。
このギャップを埋めるために,LLMエージェントによるエンド・エンド・エンド・エンド・エンドの早期警報について検討した。
SIREN-Benchは、19のタスクにまたがる600の質問応答インスタンスと、4つの個別の警告手順とエンドツーエンドの警告チェーンを含む包括的なベンチマークである。
SIREN-Benchの評価では、既存の気象エージェントフレームワークの能力ギャップが顕著である。
これは、異質な気象証拠やツールを組み込んだエージェント実行環境と、検索、熟練蒸留、予測モデリングを通じて歴史的事件を利用するエージェントハーネスのファミリーを組み合わせた、専門家の歴史的事例利用に触発された体験型エージェントフレームワークであるSIRENを開発するためのモチベーションである。
広範囲な実験により、SIRENは個々の警告手順とエンドツーエンドの警告チェーンの両方で天気予報ベースラインを上回ります。
関連論文リスト
- Can LLM Agents Respond to Disasters? Benchmarking Heterogeneous Geospatial Reasoning in Emergency Operations [55.251494694783894]
災害対応エージェントベンチマーク(DORA)は、エンド・ツー・エンドの災害対応のための最初のエージェントベンチマークである。
タスクは、災害認識、空間関係分析、救助・避難計画、時間的進化推論、マルチモーダルレポート合成という、災害対応パイプラインをカバーする5つの次元にまたがる。
DORAは、運用上の信頼性の高い災害対応エージェントのための厳格なテストベッドを確立する。
論文 参考訳（メタデータ） (2026-05-12T06:57:41Z) - AIR: Improving Agent Safety through Incident Response [8.845095096023021]
本稿では,Large Language Model (LLM)エージェントシステムにおける最初のインシデント応答フレームワークであるAIRを紹介する。
AIR は LLM エージェントシステムでインシデント応答ライフサイクルを自律的に管理するためのドメイン固有言語を定義する。
その結果、AIRは検出、修復、根絶の成功率が90%を超えていることが判明した。
論文 参考訳（メタデータ） (2026-02-12T09:24:50Z) - A Generative AI-Driven Reliability Layer for Action-Oriented Disaster Resilience [0.6768558752130311]
Climate RADAR(Risk-Aware, Dynamic, and Action Recommendation System)は、AIベースの信頼性レイヤで、実行されたアクションに配信されるアラートから災害通信を再構成する。
気象学、水文学、脆弱性、社会データを複合リスク指標に統合し、市民、ボランティア、自治体のインターフェースにパーソナライズされたレコメンデーションを提供するために、ガードレールを組み込んだ大型言語モデル(LLM)を採用している。
シミュレーション,ユーザスタディ,都市パイロットによる評価では,より高い保護行動の実行,応答遅延の低減,ユーザビリティと信頼の向上など,改善された結果が示されている。
論文 参考訳（メタデータ） (2026-01-26T09:43:30Z) - SAFE-QAQ: End-to-End Slow-Thinking Audio-Text Fraud Detection via Reinforcement Learning [52.29460857893198]
既存の不正検出方法は、書き起こされたテキストに依存しており、ASRのエラーや、声調や環境条件のような重要な音響的手がかりが欠けている。
音声に基づくスロー思考詐欺検出のためのエンドツーエンド包括的フレームワークSAFE-QAQを提案する。
本フレームワークは,ライブコール中に動的リスクアセスメントフレームワークを導入し,不正の早期検出と防止を可能にする。
論文 参考訳（メタデータ） (2026-01-04T06:09:07Z) - Forecasting Fails: Unveiling Evasion Attacks in Weather Prediction Models [60.728124907335]
本研究では,気象適応型対向摂動最適化(WAAPO)を紹介した。
WAAPOは、チャネルの間隔、空間的局所化、滑らかさの制約を取り入れ、摂動が物理的に現実的で知覚不能であることを保証することでこれを達成している。
我々の実験は、AI駆動予測モデルにおける重要な脆弱性を強調しており、初期状態への小さな摂動が大きな逸脱をもたらす可能性がある。
論文 参考訳（メタデータ） (2025-12-09T17:20:56Z) - EWE: An Agentic Framework for Extreme Weather Analysis [61.092871317626496]
Extreme Weather Expert (EWE)は、このタスクに特化した最初のインテリジェントエージェントフレームワークである。
EWEは、知識誘導計画、クローズドループ推論、およびドメイン調整された気象ツールキットを通じて、専門家の可視化をエミュレートする。
進展を触媒するため、我々は103のハイインパクトイベントをキュレートしたデータセットを含む、この新興分野の最初のベンチマークを紹介した。
論文 参考訳（メタデータ） (2025-11-26T14:37:25Z) - AgentCaster: Reasoning-Guided Tornado Forecasting [2.8271273825420606]
AgentCasterは、複雑な現実世界のタスクで大規模言語モデル(LLM)を評価するためのフレームワークである。
竜巻の発生が複数発生し,500件以上の竜巻報告を含む,様々な歴史的データを含む40日間にわたるモデル性能の評価を行った。
人間の専門家は、リスクの強度を幻覚し過大予測する強い傾向を示し、正確な地理的配置と闘い、複雑で動的に進化するシステムにおいて、時間的推論の低さを示す、最先端のモデルを大幅に上回る。
論文 参考訳（メタデータ） (2025-10-02T17:57:16Z) - CORTEX: Collaborative LLM Agents for High-Stakes Alert Triage [10.088447487211893]
SOC(Security Operations Centers)は、毎日何万ものアラートに圧倒されている。
この過負荷は警告の疲労を引き起こし、見過ごされた脅威やアナリストのバーンアウトにつながる。
警告トリアージのためのマルチエージェントLLMアーキテクチャであるCORTEXを提案する。
論文 参考訳（メタデータ） (2025-09-30T22:09:31Z) - Multi-Hazard Early Warning Systems for Agriculture with Featural-Temporal Explanations [5.363664265121231]
気候の極端には農業へのリスクが増大する。
従来の単一ハザード予測手法は、同時気候事象間の複雑な相互作用を捉えるには不十分である。
本稿では、逐次的なディープラーニングモデルと高度な説明可能な人工知能(XAI)技術を組み合わせて、農業のためのマルチハザード予測フレームワークを導入する。
論文 参考訳（メタデータ） (2025-07-30T05:16:35Z) - Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。
次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。
気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
論文 参考訳（メタデータ） (2024-08-08T06:47:21Z) - T$^2$-Net: A Semi-supervised Deep Model for Turbulence Forecasting [65.498967509424]
空気の乱気流予測は、乗客の安全を保ち、効率を最大化し、コストを下げるガイドルートである有害な乱気流を避けるのに役立つ。
従来の予測手法は、動的で複雑な気象条件では効果の低い、高度にカスタマイズされた乱流指数に依存している。
本研究では,(1)複雑な時間的相関関係と(2)希少性,非常に限られた乱流ラベルが得られるという2つの課題から,機械学習による乱流予測システムを提案する。
論文 参考訳（メタデータ） (2020-10-26T21:14:15Z)
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。