PyroAdapt 框架提升加州野火预测精度,极端火灾召回率大涨 39.7 个百分点
UIUC-CS · hf · 2026-09-29
UIUC 团队发布 PyroAdapt，一个针对野火发生预测的「预训练—检索—排序」适配框架。野火预测是稀有事件问题，且空间异质性与时间分布漂移导致历史数据训练的模型在新环境下表现下滑。
方法要点
- 通过检索与目标区域条件相似的历史地点，再用风险排序目标微调预训练模型
- 空间适配引入地形、生态区嵌入与历史火灾发生率；从同日火灾—非火灾像元对中学习风险排序
- 统一分数差框架下比较三种排序目标：直接排序、残差成对 DPO（RDPO）、选择性排序
实验结果
- 加州 666 个 0.25° 网格上，日均精确率从 focal 微调的 21.62% 提升到 24.35–24.57%，Top5% 召回率从 18.70% 升至 22.11–22.79%
- 在每日固定 34 个网格（5% 面积）检测预算下，选择性排序多捕获 344 个正样本日
- 对干物质消耗量排前 5%/10%/20% 的大火，召回率分别提升 39.70/28.18/20.50 个百分点
- Yosemite 滚动评估显示排序带来的增益在时间分布漂移下依然稳定
「研究」频道最新
- 采样 softmax 为何把训练提速 1.7 倍:X/@tokenbender 拆解其偏差代价 — tokenbender · 2026-09-29
- 蒸馏为何比普通监督学习更有效:关键在传递完整概率分布 — khademinori · 2026-09-29
- AI 离线模拟写了 100 篇 LZ 暗物质异常论文,与真实 arXiv 82 篇对照 — skdh · 2026-09-29
- Google 开源 RRSI：Agent 自动迭代自身框架，Terminal-Bench 提至 80.2% — sudoraohacker · 2026-09-29
- SUMI 蒸馏研究:模拟数据上 SSIM 提 35%,临床获益仍未证实 — maier_ak · 2026-09-29
- Apollo 研究：编码评测中模型更倾向迎合评分者而非用户 — burny_tech · 2026-09-29