論文の概要: Agent-Based ML-LLM Fusion with Self-Optimizing Prompts for Plateau Weather Alerts
- arxiv url: http://arxiv.org/abs/2609.10135v1
- Date: Wed, 09 Sep 2026 13:15:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:09.032187
- Title: Agent-Based ML-LLM Fusion with Self-Optimizing Prompts for Plateau Weather Alerts
- Title（参考訳）: 自己最適化型ML-LLM核融合による高原気象アラートの開発
- Abstract要約: 本稿では、意図認識、ハザード予測、推論強化生成を統合した3段階統合アーキテクチャであるSmartAgentWeatherを提案する。
このシステムはルールベースのメソッドを大きな言語モデルで融合し、クエリを複数の粒度で解析する。
主な改善点として、データソースの引用(6.5 -> 8.5)によるB08の急激な上昇、物理的メカニズムの説明によるB10の高性能化、明確な不確実性ステートメントによるB12における9.2のピーク科学的厳密度スコアなどがある。
- 参考スコア（独自算出の注目度）: 5.315266192502762
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: To address insufficient contextualization, weak generalization, and poor scenario adaptation in tourism meteorological services, we propose SmartWeatherAgent--a unified three-stage architecture integrating intent recognition, hazard prediction, and reasoning-enhanced generation. The system fuses rule-based methods with large language models to parse queries at multiple granularities and employs a LightGBM model enriched with highland-specific features (e.g., wind speed abruptness rate), achieving an F1-Macro score of 0.605 with 1.60 ms latency on high-wind, precipitation, and low-temperature events. A 12-round micro-step prompt self-optimization loop boosts the composite warning quality score S_final from 4.2 (B01) to 8.9 (B12, +112%). Key improvements include a sharp rise in B08 from data source citation (6.5 -> 8.5), sustained high performance in B10 via physical mechanism explanation, and a peak scientific rigor score of 9.2 in B12 through explicit uncertainty statements. The system autonomously generates structured warnings that integrate causal mechanisms, spatiotemporal evolution, quantitative evidence, regulatory references, and confidence statements--enhancing professional depth, logical rigor, and scientific soundness, and advancing meteorological services toward proactive perception, explainable decision-making, and intelligent agency.
- Abstract（参考訳）: 観光気象サービスにおける文脈化, 一般化の弱さ, シナリオ適応の低さに対処するために, 意図認識, 危険予知, 推論を融合した三段階統合アーキテクチャであるSmartWeatherAgentを提案する。
このシステムは、複数の粒度のクエリを解析するために、大きな言語モデルでルールベースの手法を融合させ、高地固有の特徴(例えば、風速の急激な速度)に富んだLightGBMモデルを採用し、高風、降水、低温のイベントに1.60msのレイテンシでF1-Macroスコア0.605を達成する。
12ラウンドのマイクロステップの自己最適化ループは、複合警告品質スコアS_finalを4.2 (B01)から8.9 (B12, +112%)に引き上げる。
主な改善点として、データソースの引用(6.5 -> 8.5)によるB08の急激な上昇、物理的メカニズムの説明によるB10の高性能化、明確な不確実性ステートメントによるB12における9.2のピーク科学的厳密度スコアなどがある。
このシステムは、因果的メカニズム、時空間的進化、量的証拠、規制基準、信頼度ステートメントを統合した構造化された警告を自律的に生成する。
関連論文リスト
- Rethinking LLM Verification: Evidence Structure, Uncertainty, and Selective Refinement [8.78288626457356]
本稿では,複数選択条件下での医療仮説検証のための2段階フレームワークを提案する。
棄権は無作為ではなく、真に不確実性を反映し、棄権予測は信頼性の低下に関連していることを示す。
MedReason と MedQA を用いて行った実験により, 禁忌を選択的理性改善のための制御信号として再利用できることが示唆された。
論文 参考訳（メタデータ） (2026-08-11T09:43:14Z) - AdsMind: A Physics-Grounded Multi-Agent System for Self-Correcting Discovery of Adsorption Configurations on Heterogeneous Catalyst Surfaces [5.977468100986184]
本稿では,MLFF緩和フィードバックによる自動誤り訂正を可能にする閉ループマルチエージェントフレームワークAdsMindを提案する。
4つのバックエンドで、AdsMindはAA20とOCDGMAE62のベンチマークで100%と98.8%の成功率で、常に高エネルギーの検索信頼性を提供する。
論文 参考訳（メタデータ） (2026-06-17T14:57:16Z) - ACCORD: Action-Conditioned Contextual Grounding for Language Agents [69.73525608707764]
ACCORD(Action-Conditioned Contextual Grounding)は、適応的なグラウンドのためのエージェントフレームワークである。
現状のエージェントは、しばしばそうすることができないことを示す。それらは、観察された特定の情報よりもむしろ仮定から行動し、収集した可能性のある情報を見落とし、既に返された証拠を組み込むことに失敗する。
論文 参考訳（メタデータ） (2026-06-15T09:05:55Z) - Metis: Learning to Jailbreak LLMs via Self-Evolving Metacognitive Policy Optimization [51.11398557420066]
我々は、推論時ポリシー最適化としてジェイルブレイクを改定するフレームワークであるMetisを紹介する。
メティスは比較手法の中でも89.2%で最強のアタック成功率(ASR)を達成している。
冗長な探索を最適化に置き換えることで、Metisはトークンコストを平均8.2倍、最大11.4倍に削減する。
論文 参考訳（メタデータ） (2026-05-11T06:45:00Z) - Agentic Adversarial Rewriting Exposes Architectural Vulnerabilities in Black-Box NLP Pipelines [34.37967130277969]
本稿では,意味摂動空間で動作する2エージェント回避フレームワークを提案する。
現代大言語モデル(LLM)ベースのシステムでは、普及率は19.95から40.34%である。
パターンインフォームド・ディフェンスは回避率を65.18%まで下げる。
論文 参考訳（メタデータ） (2026-04-26T00:58:36Z) - MeTok: An Efficient Meteorological Tokenization with Hyper-Aligned Group Learning for Precipitation Nowcasting [24.54767209914783]
本稿では,降水処理の課題に焦点をあて,効率的な分布中心気象トークン化手法を開発した。
我々は2つの重要な改良を加えたHyper-Aligned Grouping Transformer (HyAGTransformer)を紹介した。
ERA5データセットを用いた6時間予測実験では, 他の手法と比較して, IoU測定値が少なくとも8.2%改善した。
論文 参考訳（メタデータ） (2026-03-14T04:55:49Z) - AgentCPM-Explore: Realizing Long-Horizon Deep Exploration for Edge-Scale Agents [75.67445299298949]
AgentCPM-Exploreは、知識密度と強力な探索能力を備えたコンパクトな4Bエージェントモデルである。
本稿では,パラメータ空間モデルの融合,報酬信号の復調,文脈情報の改良を特徴とする総合的なトレーニングフレームワークを提案する。
AgentCPM-Exploreは4つのベンチマークで8BクラスのSOTAモデルにマッチまたは超え、また5つのベンチマークでClaude-4.5-SonnetやDeepSeek-v3.2のような大規模モデルよりも優れている。
論文 参考訳（メタデータ） (2026-02-06T08:24:59Z) - Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。
We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
論文 参考訳（メタデータ） (2025-11-04T17:22:22Z) - Every Attention Matters: An Efficient Hybrid Architecture for Long-Context Reasoning [73.10669391954801]
本稿では、Ring-mini-linear-2.0およびRing-flash-linear-2.0を含むRing-linearモデルシリーズについて述べる。
どちらのモデルも線形アテンションとソフトマックスアテンションを効果的に統合するハイブリッドアーキテクチャを採用している。
32億のパラメータ密度モデルと比較して、このシリーズは推論コストを1/10に削減し、元のRingシリーズと比較すると、コストも50%以上削減される。
論文 参考訳（メタデータ） (2025-10-22T07:59:38Z) - STARec: An Efficient Agent Framework for Recommender Systems via Autonomous Deliberate Reasoning [54.28691219536054]
我々は、自律的な熟考的推論機能を備えたレコメンデータシステムを支援する、ゆっくり考えられた拡張エージェントフレームワークSTARecを紹介する。
我々は,先進的推論モデルと嗜好整合型報酬形成から構造化知識の蒸留を組み合わせた2段階のパラダイムであるアンカー強化訓練を開発する。
MovieLens 1MとAmazon CDsベンチマークの実験では、STARecは最先端のベースラインと比較して、大幅なパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2025-08-26T08:47:58Z)
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。