論文の概要: Decision-Oriented Uncertainty Quantification for Risk Control in Earth System Spatiotemporal Foundation Models

• arxiv url: http://arxiv.org/abs/2609.14821v1
• Date: Sun, 13 Sep 2026 22:27:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.995299
• Title: Decision-Oriented Uncertainty Quantification for Risk Control in Earth System Spatiotemporal Foundation Models
• Title（参考訳）: 地球系時空間基礎モデルにおけるリスク制御のための決定指向不確実性定量化
• Abstract要約: 本研究では,地球系基盤モデルのための決定指向の不確実性定量化フレームワークを提案する。 このフレームワークは将来の状態の予測分布を生成し、決定リスクアダプタを使用してサンプル、決定コンテキスト、ユーティリティ機能をアクション条件のリスクに予測する。 最強の基準と比較すると、この手法は決定の後悔を18.7%減らし、失効率を14.2%から14.2%に引き下げた。 予測的カバレッジを90.4%維持し、決定キャリブレーションエラーを0.083から0.047に削減しながら、予測ユーティリティを11.6%改善する。
• 参考スコア（独自算出の注目度）: 14.594447331241428
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Earth system modeling is shifting from task-specific predictors toward foundation models with general spatiotemporal representation capabilities. Although these models can jointly encode dynamic Earth fields, external forcings, and static geographic context for multistep forecasting, accurate point predictions or statistically calibrated intervals alone are insufficient for high-impact applications such as extremeweather warning, flood control, renewable-energy dispatch, and emergency resource allocation. What matters in practice is whether predictive uncertainty can be translated into reliable decision risk under specific actions, loss functions, and risk preferences. We propose a decision-oriented uncertainty quantification framework for Earth system spatiotemporal foundation models. The framework produces predictive distributions of future states and uses a decision risk adapter to map forecast samples, decision context, and utility functions into action-conditional risks. A utility-aware calibration module further enforces reliability at the downstream decision-loss level rather than only at the forecast-value level. Calibrated risks are then used to select warning, dispatch, inspection, or resource-allocation actions. Compared with the strongest baseline, the proposed method reduces decision regret by 18.7%, lowers the missed-event rate from 14.2% to 9.1%, and improves expected utility by 11.6%, while maintaining 90.4% predictive coverage and reducing decision calibration error from 0.083 to 0.047. These results suggest that decision-oriented uncertainty quantification can improve the robustness and operational value of Earth system foundation models in risk-sensitive applications.
• Abstract（参考訳）: 地球系のモデリングは、タスク固有の予測器から、一般的な時空間表現能力を持つ基礎モデルへとシフトしつつある。 これらのモデルは、マルチステップ予測のための動的アースフィールド、外部強制力、静的な地理的コンテキストを共同でエンコードすることができるが、正確なポイント予測や統計的に調整された間隔だけでは、極端の警告、洪水制御、再生可能エネルギーディスパッチ、緊急リソース割り当てのような高負荷のアプリケーションには不十分である。 実際に重要なのは、予測の不確実性が特定の行動、損失関数、リスク優先の下で信頼できる決定リスクに変換できるかどうかである。 本研究では,地球系時空間基盤モデルのための決定指向の不確実性定量化フレームワークを提案する。 このフレームワークは、将来の状態の予測分布を生成し、予測サンプル、決定コンテキスト、ユーティリティ関数をアクション条件のリスクにマッピングするために、決定リスクアダプタを使用する。 ユーティリティ対応キャリブレーションモジュールは、予測値レベルだけでなく、下流の意思決定損失レベルでの信頼性をさらに強化する。 キャリブレーションされたリスクは、警告、ディスパッチ、インスペクション、リソース割り当てアクションを選択するために使用される。 最強のベースラインと比較して、提案手法は、決定の後悔を18.7%減らし、失効率を14.2%から9.1%減らし、予測範囲を90.4%保ち、判定校正誤差を0.083から0.047に減らしながら、予測ユーティリティを11.6%改善する。 これらの結果から,決定指向の不確実性定量化は,地球系基盤モデルのロバスト性や運用価値を向上させることが示唆された。

関連論文リスト

• Conformal Risk-Averse Decision Making with Optimized Certainty Equivalent Risk Control [31.006941545235396]
  エージェントが真のシステム状態について不確実なまま行動を選択するリスク-逆決定について検討する。 既知分布下での最適ポリシを特徴付け,CVaRの予測セットベースソリューションに還元することを示す。 未知の分布に対しては,データ駆動キャリブレーション手法を開発し,その可能性とキャリブレーションデータに対する合成モデルを構築した。
  論文  参考訳（メタデータ） (2026-08-28T10:45:23Z)
• Behavioural Signatures of Risk-Sensitive Decision-Making in Large Language Models [121.70781851874035]
  大規模言語モデル(LLM)は、意思決定支援にますます使われている。 不確実性の下での選択が安定かつ解釈可能な行動規則性を示すかどうかを理解することが重要である。 本稿では,無制限テキサスホールドエムに基づく制御型マルチモデルフレームワークを用いて,この問題について検討する。
  論文  参考訳（メタデータ） (2026-07-11T10:33:39Z)
• Capability Minimization as a Safety Primitive: Risk-Aware Causal Gating for Least-Privilege LLM Agents [0.0]
  Risk-Aware Causal Gating (RACG) は、モデルの予測から行動するか、延期するかを判断するフレームワークである。 RACGは、候補行動から結果への因果経路をモデル化し、予測された対実リスクに応じて各決定をゲートする。 RACGは,非ゲートポリシーの効用の大部分を保ちながら,コストエラーを大幅に低減することを示す。
  論文  参考訳（メタデータ） (2026-06-11T20:19:35Z)
• 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)
• Uncertainty-Aware Vision-based Risk Object Identification via Conformal Risk Tube Prediction [7.840136094141999]
  既存のアプローチは意思決定を行い、不確実性を無視します。 これらの課題にもかかわらず、現在の手法には、空間と時間にわたって共同でリスクの不確実性をモデル化する原則的な枠組みが欠如している。 本稿では, リスクの原則的不確実性を把握し, 真のリスクに対するカバレッジ保証を提供し, 不確実性を考慮した校正リスクスコアを生成するコンフォーマルリスク予測統一定式化を提案する。
  論文  参考訳（メタデータ） (2026-03-25T04:13:42Z)
• Entropy Alone is Insufficient for Safe Selective Prediction in LLMs [20.664633053172327]
  選択予測システムは、高リスクケースでの回答を控えることで、言語モデル幻覚による害を軽減することができる。 不確実性定量化技術はしばしばそのようなケースを特定するために用いられるが、より広い選択的予測ポリシーの文脈で評価されることはほとんどない。 エントロピーに基づく不確実性手法のモデル依存的故障モードを同定し、エントロピースコアと正当性プローブ信号を組み合わせることで、信頼できない禁忌行動に対処する。
  論文  参考訳（メタデータ） (2026-03-22T11:27:13Z)
• Model-Based Epistemic Variance of Values for Risk-Aware Policy Optimization [59.758009422067]
  モデルベース強化学習における累積報酬に対する不確実性を定量化する問題を考察する。 我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式(UBE)を提案する。 本稿では,リスク・サーキングとリスク・アバース・ポリシー最適化のいずれにも適用可能な汎用ポリシー最適化アルゴリズムQ-Uncertainty Soft Actor-Critic (QU-SAC)を導入する。
  論文  参考訳（メタデータ） (2023-12-07T15:55:58Z)
• Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
  我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。 そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。 以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T08:54:10Z)
• Risk Sensitive Model-Based Reinforcement Learning using Uncertainty Guided Planning [0.0]
  本稿では,モデルに基づく強化学習アルゴリズムでリスク感度を向上する。 本研究では,高分散状態予測をもたらす行動系列を解析する不確実性誘導型クロスエントロピー法計画を提案する。 実験では、エージェントが計画中の状態空間の不確実な領域を識別し、エージェントを高い信頼領域内に保持する行動をとる能力を示す。
  論文  参考訳（メタデータ） (2021-11-09T07:28:00Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• DEUP: Direct Epistemic Uncertainty Prediction [56.087230230128185]
  認識の不確実性は、学習者の知識の欠如によるサンプル外の予測エラーの一部である。 一般化誤差の予測を学習し, aleatoric uncertaintyの推定を減算することで, 認識的不確かさを直接推定する原理的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-02-16T23:50:35Z)

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。