산불 예측을 위한 환경 적응형 선호도 최적화

요약

본 논문은 기상 데이터 기반의 희귀하고 영향력이 큰 사건(산불 등) 예측 문제를 다루며, 이를 롱테일 분포 문제로 정의합니다. 기존 모델들이 환경 변화나 극단적 사건에 취약한 문제를 해결하기 위해 '환경 적응형 선호도 최적화(EAPO)' 프레임워크를 제안했습니다. EAPO는 $k$-최근접 이웃 검색을 통해 지역적인 데이터셋을 구성하고, 지도 학습과 선호도 최적화를 결합하여 희귀 사건에 초점을 맞춘 하이브리드 미세 조정을 수행함으로써, 환경 변화가 있는 실제 산불 예측 작업에서 높은 견고성을 입증했습니다.

핵심 포인트

• 산불 예측과 같은 극단적 사건 예측은 데이터의 롱테일(long-tail) 분포 문제를 가지며, 소수 클래스에 대한 학습이 어려움.
• 기존 모델들은 환경 변화(distribution shifts) 상황에서 성능 저하를 보이는 한계가 있음.
• 제안된 EAPO 프레임워크는 $k$-최근접 이웃 검색을 통해 지역적 데이터셋을 구성하고, 선호도 최적화를 결합하여 예측의 적응성을 높임.
• EAPO는 희귀 사건에 초점을 맞춘 하이브리드 미세 조정을 통해 결정 경계를 정교화하며, 실제 산불 예측에서 높은 ROC-AUC 성능(0.7310)을 달성함.