論文の概要: Real-time probabilistic tsunami forecasting via generative AI

• arxiv url: http://arxiv.org/abs/2608.04327v1
• Date: Wed, 05 Aug 2026 01:14:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.68133
• Title: Real-time probabilistic tsunami forecasting via generative AI
• Title（参考訳）: 生成AIによるリアルタイム確率的津波予測
• Authors: Yusuke Oishi, Takashi Furumura, Fumihiko Imamura,
• Abstract要約: 沿岸津波の浸水予測は公衆のリスク認識を改善することができるが、決定論的に予測された浸水境界は、境界の外側の安全を誤って示唆する可能性がある。 キャリブレーションにより精度を調整できる条件拡散モデル(生成AIの一種)に基づく確率的アンサンブルモデルを開発する。 我々の枠組みは、生成AIが津波予報を決定論から確率論にシフトさせ、次世代早期警戒の基礎となることを示している。
• 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: Explicit onshore tsunami inundation forecasting can improve public risk awareness, but deterministically predicted inundation boundaries under highly uncertain conditions, such as near-field tsunamis generated by megathrust earthquakes, may falsely imply safety outside the boundaries. Consequently, current warnings primarily target coastal tsunami height, not onshore inundation. Although machine learning enables instant inundation predictions, they remain deterministic, lacking uncertainty quantification. Here, we develop a probabilistic ensemble model based on a conditional diffusion model (a type of generative AI) that reconciles accuracy with calibration. Validated with the 2011 Tohoku-oki earthquake data, our model faithfully tracks the postearthquake uncertainty decreasing over time while accurately predicting inundation depth and extent. Our framework shows that generative AI can shift tsunami forecasting from determinism to probabilism, providing a foundation for next-generation early warning.
• Abstract（参考訳）: 海岸沖の津波浸水予測は、公衆のリスク認識を改善することができるが、大地震によって発生したニアフィールド津波など、非常に不確実な条件下での浸水境界を決定的に予測することは、境界の外での安全を誤って示唆する可能性がある。 その結果、現在の警告は主に海岸での浸水ではなく、沿岸の津波の高さを標的にしている。 機械学習は瞬時浸水予測を可能にするが、決定論的であり、不確実な定量化を欠いている。 そこで我々は,キャリブレーションによる精度の調整を行う条件拡散モデル(生成AIの一種)に基づく確率的アンサンブルモデルを構築した。 2011年東北沖地震データと照合し, 浸水深度と深度を正確に予測しながら, 時間とともに減少する地震後の不確かさを忠実に追跡した。 我々の枠組みは、生成AIが津波予報を決定論から確率論にシフトさせ、次世代早期警戒の基礎となることを示している。

関連論文リスト

• Rigorous uncertainty quantification of probabilistic AI weather forecasts with conformal prediction [9.24882416591115]
  確率的天気予報は人工知能(AI)によって急速に変化している 従来の数値天気予報では、計算能力は将来の状態の未知の統計分布をいかにうまく近似するかを制限することができる。 ここでは、キャリブレーションの最終的な尺度であるそのようなモデルの統計的カバレッジが、特に極端な事象において困難であることを示す。 我々は,分布的仮定のない数学的にカバレッジを保証する統計手法のクラスである共形予測を用いる。
  論文  参考訳（メタデータ） (2026-06-17T22:41:20Z)
• 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)
• Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
  我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。 具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。 提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
  論文  参考訳（メタデータ） (2023-10-25T02:37:51Z)
• 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)
• Pedestrian Trajectory Forecasting Using Deep Ensembles Under Sensing Uncertainty [125.41260574344933]
  エンコーダ・デコーダをベースとした深層アンサンブルネットワークは,認識と予測の不確実性の両方を同時に捕捉する。 全体として、深層アンサンブルはより堅牢な予測を提供し、上流の不確実性の考慮により、モデルの推定精度をさらに高めた。
  論文  参考訳（メタデータ） (2023-05-26T04:27:48Z)
• Exceedance Probability Forecasting via Regression for Significant Wave Height Prediction [0.0]
  沿岸災害の原因となる大きな波高の極端な値の予測に着目する。 本稿では,点予測に基づく新しい手法を提案する。 カナダのハリファックス沿岸に設置したスマートブイのデータを用いて実験を行った。
  論文  参考訳（メタデータ） (2022-06-20T14:55:17Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Propagating State Uncertainty Through Trajectory Forecasting [34.53847097769489]
  軌道予測は(雑音の多い)上流の知覚によって入力が生成されるため不確実性に囲まれている。 ほとんどの軌道予測法は上流の不確かさを考慮せず、最も類似した値のみを取る。 本稿では,新しい統計的距離に基づく損失関数である軌道予測において,知覚状態の不確実性を取り入れた新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-10-07T08:51:16Z)
• Heterogeneous-Agent Trajectory Forecasting Incorporating Class Uncertainty [54.88405167739227]
  本稿では,エージェントのクラス確率を明示的に組み込んだヘテロジニアスエージェント軌道予測手法であるHAICUを提案する。 さらに,新たな挑戦的な実世界の自動運転データセットであるpupも紹介する。 軌道予測にクラス確率を組み込むことで,不確実性に直面した性能が著しく向上することを示す。
  論文  参考訳（メタデータ） (2021-04-26T10:28:34Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。