論文の概要: SAGE-XGBoost: Spatially Augmented Graph Embeddings--Machine Learning Framework for Natural Hazards Susceptibility Mapping under Data Scarcity
- arxiv url: http://arxiv.org/abs/2608.19672v1
- Date: Thu, 20 Aug 2026 06:07:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-21 20:28:51.460605
- Title: SAGE-XGBoost: Spatially Augmented Graph Embeddings--Machine Learning Framework for Natural Hazards Susceptibility Mapping under Data Scarcity
- Title（参考訳）: SAGE-XGBoost:空間的に拡張されたグラフ埋め込み--データスカシティ下での自然災害認識のためのマシーンラーニングフレームワーク
- Abstract要約: 本研究では,制御された雑音に基づくデータ拡張と近傍グラフの埋め込みを組み合わせ,データスカース条件下での予測を改善する構造的特徴工学フレームワークを提案する。
本フレームワークは地すべりおよび山火事感受性マッピングのために評価された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Natural hazard susceptibility mapping is often constrained by limited labeled data, reducing the generalizability of conventional machine learning and limiting the applicability of complex deep learning models. This study proposes SAGE (Spatially Augmented Graph Embeddings), a structurally informed feature-engineering framework that combines controlled noise-based data augmentation with neighborhood-based graph embeddings to improve prediction under data-scarce conditions. A K-nearest neighbor graph is constructed to derive local spatial statistics, which are reduced using principal component analysis and integrated with environmental covariates and spatial coordinates. The resulting features are used with XGBoost to develop the SAGE-XGBoost model. The framework was evaluated for landslide and wildfire susceptibility mapping. SAGE-XGBoost consistently outperformed conventional and spatially explicit machine learning models. Compared with Spatial XGBoost, it achieved an absolute improvement of above 33 percentage points across the two case studies. The model reached AUC values of approximately 0.97 for landslide susceptibility and 0.95 for wildfire susceptibility. Feature importance analysis confirmed the contribution of graph embeddings to prediction, while their integration improved spatial coherence and reduced local noise amplification. Overall, SAGE-XGBoost provides an efficient and transferable alternative to deep representation learning for environmental hazard assessment and other geospatial prediction tasks under limited supervision.
- Abstract（参考訳）: ナチュラルハザード・サセプティビリティ・マッピングは、ラベル付き限られたデータによって制約されることが多く、従来の機械学習の一般化性は低下し、複雑なディープラーニングモデルの適用性は制限される。
本研究では,SAGE(Spatially Augmented Graph Embeddings)を提案する。SAGE(Spatially Augmented Graph Embeddings)は,制御ノイズに基づくデータ拡張と近傍グラフの埋め込みを組み合わせることで,データスカース条件下での予測を改善する。
K-アレスト近傍グラフは局所的な空間統計を導出するために構築され、主成分分析を用いて低減され、環境共変量や空間座標と統合される。
結果として得られた機能は、SAGE-XGBoostモデルの開発にXGBoostと共に使用される。
本フレームワークは地すべりおよび山火事感受性マッピングのために評価された。
SAGE-XGBoostは従来型および空間的に明示的な機械学習モデルよりも一貫して優れていた。
空間XGBoostと比較すると, 2つのケーススタディの33ポイント以上を絶対的に改善した。
このモデルは、地すべりの感受性は約0.97、山火事の感受性は0.95に達した。
特徴的重要性分析により,グラフ埋め込みの予測への寄与が確認され,空間コヒーレンスの改善と局所雑音増幅の低減が図られた。
総合的に、SAGE-XGBoostは、限られた監督下での環境リスク評価やその他の地理空間予測タスクにおいて、深層表現学習に代わる効率的かつ伝達可能な代替手段を提供する。
関連論文リスト
- Revealing Geography-Driven Signals in Zone-Level Claim Frequency Models: An Empirical Study using Environmental and Visual Predictors [1.5484595752241122]
地理的文脈は、しばしば自動車保険のリスクに関連すると考えられているが、公共のアクチュアリアルデータセットは限られた位置識別子を提供する。
本研究では,MTPL(Motor Third Party Liability)のクレーム予測において,代替データからの地理情報をアクタリカルモデルに組み込む方法について検討した。
論文 参考訳（メタデータ） (2026-04-23T17:44:52Z) - StepVAR: Structure-Texture Guided Pruning for Visual Autoregressive Models [98.72926158261937]
本稿では,Visual AutoRegressive モデルのためのトレーニングフリートークン解析フレームワークを提案する。
我々は局所的なテクスチャの詳細を捉えるために軽量なハイパスフィルタを使用し、グローバルな構造情報を保存するために主成分分析(PCA)を活用している。
スパーストークンの下で有効な次世代の予測を維持するために,近接した特徴伝達戦略を導入する。
論文 参考訳（メタデータ） (2026-03-02T11:35:05Z) - Learning to Explore: Policy-Guided Outlier Synthesis for Graph Out-of-Distribution Detection [51.93878677594561]
教師なしグラフレベルのOOD検出では、モデルは通常、IDデータのみを使用して訓練される。
本稿では,スタティックスを学習した探索戦略に置き換える政策誘導型アウトリア合成フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-28T11:40:18Z) - GraphFire-X: Physics-Informed Graph Attention Networks and Structural Gradient Boosting for Building-Scale Wildfire Preparedness at the Wildland-Urban Interface [1.0115510170423478]
この研究は、新しいデュアルスペシャリストアンサンブルフレームワークを確立することによって、力学物理学とデータ駆動学習のギャップを埋める。
このフレームワークは、脆弱性を2つの異なるベクター、環境の伝染と構造的脆弱に分散させる。
2025年のイートン火災(Eaton Fire)に適用されたこのフレームワークは、危険ドライバーにとって重要な二分法を明らかにしている。
論文 参考訳（メタデータ） (2025-12-23T22:23:23Z) - Graph Neural Networks for Jamming Source Localization [0.23408308015481666]
ソースローカライゼーションを妨害するグラフベースの学習の最初の応用について紹介する。
提案手法は,局所および大域的な信号集約を符号化する構造化ノード表現を統合する。
その結果,新しいグラフベースの学習フレームワークは,確立されたローカライゼーションベースラインを著しく上回っていることがわかった。
論文 参考訳（メタデータ） (2025-06-01T14:29:25Z) - Mitigating Graph Covariate Shift via Score-based Out-of-distribution Augmentation [16.59129444793973]
トレーニングとテストデータセット間の分散シフトは、グラフ学習におけるモデルパフォーマンスを著しく損なう。
本稿では,全体のグラフパターンの妥当性と安定性を保ちつつ,未知の環境特徴を合成するスコアベースのグラフ生成戦略を用いた新しい手法を提案する。
論文 参考訳（メタデータ） (2024-10-23T02:09:02Z) - Degree-Conscious Spiking Graph for Cross-Domain Adaptation [51.58506501415558]
Spiking Graph Networks (SGNs) はグラフ分類において大きな可能性を証明している。
DeSGraDA(Degree-Consicious Spiking Graph for Cross-Domain Adaptation)という新しいフレームワークを紹介する。
DeSGraDAは3つのキーコンポーネントを持つドメイン間の一般化を強化する。
論文 参考訳（メタデータ） (2024-10-09T13:45:54Z) - Graph Out-of-Distribution Generalization via Causal Intervention [69.70137479660113]
本稿では,ノードレベルの分散シフトの下で頑健なグラフニューラルネットワーク(GNN)をトレーニングするための,概念的に単純だが原則化されたアプローチを提案する。
本手法は,環境推定器と熟練GNN予測器を協調する因果推論に基づく新たな学習目標を提案する。
本モデルでは,様々な分散シフトによる一般化を効果的に向上し,グラフOOD一般化ベンチマーク上での最先端の精度を最大27.4%向上させることができる。
論文 参考訳（メタデータ） (2024-02-18T07:49:22Z) - Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。
EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。
理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2022-02-05T02:31:01Z) - Spatial-spectral Hyperspectral Image Classification via Multiple Random
Anchor Graphs Ensemble Learning [88.60285937702304]
本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。
まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。
次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
論文 参考訳（メタデータ） (2021-03-25T09:31:41Z)
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。