論文の概要: AI4Fire: Evaluating Large Language Models on Wildfire Tasks
- arxiv url: http://arxiv.org/abs/2610.10946v2
- Date: Sun, 11 Oct 2026 22:56:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-14 23:39:49.629824
- Title: AI4Fire: Evaluating Large Language Models on Wildfire Tasks
- Title（参考訳）: AI4Fire: ワイルドファイアタスクによる大規模言語モデルの評価
- Abstract要約: AI4Fireは6つのコアモデルを実行し、5つの山火事のタスクをゼロショットで実行している。
コアモデルは、今日の従業員数を繰り返すことはありませんでした。
67基の空火フレームは、切断された熱の最大値から読み取られたスモールダリングまたは無火ラベルを運んでいる。
- 参考スコア（独自算出の注目度）: 13.284832496883832
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models (LLMs) are entering wildfire management, where overstated evaluations can cost property and lives. How do they perform on wildfire tasks, with and without grounding? Bare means a model receives the task input alone. Grounded means it also receives one task-specific addition: for smoke detection, a smoke-free reference frame from the same camera. AI4Fire runs six core models bare and grounded on five wildfire tasks, zero-shot; a sweep adds 29 more. Our literature search on fire tasks found 138 works; none combines this roster, task coverage, and paired bare and grounded runs. We report three findings. (1) Grounding helped most where the addition carried the answer: a read-only SQL tool lifted every core model's database accuracy from at most 16 to at least 88 percent. (2) Simple rules were hard to beat: no core model outperformed repeating today's staffing count, and two open-weight models mostly copied the median of similar earlier fire-days, a worse forecast. (3) Public releases carry hazards: a fire-danger column separates the holdout perfectly, and 67 aerial fire frames carry smoldering or fire-free labels read from a clipped thermal maximum. We release prompts, responses, scores, code, and the survey record.
- Abstract（参考訳）: 大規模言語モデル(LLM)が山火事管理に入り、過剰な評価が資産と生活を犠牲にする可能性がある。
防火作業や接地なしの作業はどのように行うのか?
ベアとは、モデルが単独でタスク入力を受け取ることを意味する。
グラウンドドは1つのタスク固有の追加も受け取っている: 煙の検出には、同じカメラから煙のない参照フレームが使用される。
AI4Fireは6つのコアモデルを実行し、5つの山火事のタスクをゼロショットで実行します。
われわれの文献では138件の火消し作業が発見されており、このロスター、タスクカバレッジ、そしてペア化された裸と接地されたランニングを組み合わせたものはない。
我々は3つの発見を報告した。
読み取り専用SQLツールは、すべてのコアモデルのデータベースの精度を、少なくとも16から88%まで引き上げました。
2) 単純なルールを破ることは困難で、コアモデルは今日の従業員数を繰り返し上回ることはなく、2つのオープンウェイトモデルは、ほとんど同じ前の火災の中央値のコピーをしていた。
防火柱は、ホールドアウトを完全に分離し、67個の空火フレームは、切断された熱最大値から読み取られたスモールダリングまたは無火ラベルを運ぶ。
プロンプト、レスポンス、スコア、コード、調査記録をリリースしています。
関連論文リスト
- Annual Earth-observation embeddings encode wildfire disturbance and support simplified burned area mapping [0.0]
既存の方法では、キュレートされた火特有の画像や、密集した時系列分析が必要である。
ここでは, 毎年恒例の地球観測埋没地が, いずれの必要もなく, 燃え尽きる地域を地図化するのに十分な山火事発生信号を保持するかどうかを検証した。
TesseraとAlphaEarthの埋め込みを用いて、各バーンカーのデライン化、地域内の全同年火災のマッピング、地域壁と壁のマッピング、大陸間移動、年内火災のタイミングを調べた。
論文 参考訳（メタデータ） (2026-09-22T06:05:46Z) - Random Attention: Rethinking KV Cache Eviction for Efficient Reasoning [78.75986976062454]
大規模言語モデルは、拡張推論を必要とするタスクにおいて優れたパフォーマンスを達成する。
既存のKVキャッシュ圧縮メソッドは、1つのパラダイムを共有している。
選択信号はほとんど役に立たないことを示す。ランダム注意は各アテンションヘッド内でプロンプトと退避者をランダムに保ち、スコアを全く計算しない。
論文 参考訳（メタデータ） (2026-09-03T06:38:38Z) - A Nationwide Benchmark for Wildfire Initial Attack Failure Prediction with Public Environmental Data [62.031815260604056]
我々は, 火災発見時に利用可能な環境および状況データから, 初期攻撃(IA)障害予測のための米国初の全国規模のベンチマークを提示する。
WILDFIREIAは、自然発生のFPA-FODの山火事を、FIRMS/VIIRS熱検出、グリッドMET気象および消火器変数、LANDFIRE植生、燃料、地形とともに38,128回調整した。
その結果,IA故障予測には,公共の発見時データが有用だが不完全な信号を提供することがわかった。
論文 参考訳（メタデータ） (2026-06-14T01:03:13Z) - FireSentry: A Multi-Modal Spatio-temporal Benchmark Dataset for Fine-Grained Wildfire Spread Forecasting [41.82363110982653]
本稿では,サブメーター空間とサブ秒時間分解能を特徴とする地域規模のマルチモーダル山火事データセットFireSentryを提案する。
FireSentryは、可視および赤外線のビデオストリーム、その場での環境測定、手動で検証されたファイアマスクを提供する。
FireSentry上に構築され、物理に基づく、データ駆動、生成モデルを含む包括的なベンチマークを構築します。
論文 参考訳（メタデータ） (2025-12-03T02:02:47Z) - FORFIS: A forest fire firefighting simulation tool for education and
research [90.40304110009733]
本稿では,Python で実装された森林火災消火シミュレーションツール FORFIS について述べる。
私たちのツールは underv3 ライセンスを公開しており、GUI と出力機能が追加されています。
論文 参考訳（メタデータ） (2023-05-29T09:14:38Z) - Multimodal Wildland Fire Smoke Detection [5.15911752972989]
研究によると、気候変動によって温暖な温度と乾燥状態が生まれ、長い山火事の季節と米国の山火事のリスクが増大する。
スモーキーネット(SmokeyNet)は,森林火災の煙を検出するための時間的情報を用いた深層学習モデルである。
SmokeyNetは、ほんの数分の時間で自動早期通知システムとして機能し、破壊的な山火事との戦いに有用なツールを提供する。
論文 参考訳（メタデータ） (2022-12-29T01:16:06Z) - Image-Based Fire Detection in Industrial Environments with YOLOv4 [53.180678723280145]
この研究は、AIが火災を検出し、認識し、画像ストリーム上のオブジェクト検出を使用して検出時間を短縮する可能性を検討する。
そこで我々は, YOLOv4オブジェクト検出器をベースとした複数のモデルのトレーニングと評価に使用されてきた複数の公開情報源から, 適切なデータを収集, ラベル付けした。
論文 参考訳（メタデータ） (2022-12-09T11:32:36Z) - FIgLib & SmokeyNet: Dataset and Deep Learning Model for Real-Time
Wildland Fire Smoke Detection [0.0]
Fire Ignition Library (FIgLib) は、25,000点近い山火事の煙画像のデータセットである。
SmokeyNetは、リアルタイムの山火事煙検知にカメラ画像からの時間情報を利用する、新しいディープラーニングアーキテクチャである。
FIgLibデータセットでトレーニングすると、SmokeyNetは同等のベースラインを上回り、人間のパフォーマンスに匹敵する。
論文 参考訳（メタデータ） (2021-12-16T03:49:58Z) - Preliminary Wildfire Detection Using State-of-the-art PTZ (Pan, Tilt,
Zoom) Camera Technology and Convolutional Neural Networks [0.0]
野生の火は、人間や自然によって引き起こされる可能性のある環境において、制御されていない火災である。
2020年だけで、カリフォルニア州の山火事は4200万エーカーの土地を燃やし、10,500の建物や建物を破壊し、31人以上が死んだ。
研究の目的は、森林火災が広がるのを防ぐため、初期の段階で森林火災を検出することである。
論文 参考訳（メタデータ） (2021-09-10T19:30:37Z) - Uncertainty Aware Wildfire Management [6.997483623023005]
アメリカ合衆国では近年の山火事で生命が失われ、数十億ドルが失われた。
大規模に展開するリソースは限られており、火災の広がりを予測することは困難である。
本稿では,山火事対策のための意思決定論的アプローチを提案する。
論文 参考訳（メタデータ） (2020-10-15T17:47:31Z) - KGPT: Knowledge-Grounded Pre-Training for Data-to-Text Generation [100.79870384880333]
知識に富んだテキストを生成するための知識基盤事前学習(KGPT)を提案する。
我々は、その効果を評価するために、3つの設定、すなわち、完全教師付き、ゼロショット、少数ショットを採用します。
ゼロショット設定では、WebNLG上で30 ROUGE-L以上を達成するが、他の全てのベースラインは失敗する。
論文 参考訳（メタデータ） (2020-10-05T19:59:05Z)
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。