산불 예측을 위한 환경 적응형 선호도 최적화

기상 데이터로부터 산불과 같은 희귀한 극단적 사건을 예측하려면 진화하는 환경 조건에서도 신뢰성을 유지하는 모델이 필요합니다. 이 문제는 본질적으로 롱테일(long-tailed) 문제입니다. 즉, 산불 사건은 드물지만 영향력이 크고, 대부분의 관측치는 비산불 조건에 해당하여 가장 중요한 소수 클래스(산불)를 표준 학습 목표가 과소평가하게 만듭니다. 게다가 역사적 분포로 훈련된 모델은 종종 분포 변화(distribution shifts) 상황에서 실패하며, 새로운 환경에서 성능 저하를 보입니다. 이를 위해 저희는 롱테일 분포를 가진 대상 환경에 예측을 적응시키는 프레임워크인 환경 적응형 선호도 최적화(Environment-Adaptive Preference Optimization, EAPO)를 제안합니다. 주어진 새로운 입력 분포에 대해, 먼저 $k$-최근접 이웃 검색($k$-nearest neighbor retrieval)을 통해 분포 정렬 데이터셋을 구성합니다. 그런 다음, 지도 학습(supervised learning)과 선호도 최적화(preference optimization)를 결합하고 희귀한 극단적 사건에 중점을 두는 하이브리드 미세 조정 절차를 이 국소 매니폴드(local manifold)에서 수행합니다. EAPO는 이질적인 훈련 데이터로부터의 상충되는 신호를 피하면서 결정 경계(decision boundaries)를 정교화합니다. 저희는 환경 변화가 있는 실제 산불 예측 작업에 대해 EAPO를 평가했습니다. EAPO는 견고한 성능(ROC-AUC 0.7310)을 달성했으며, 극단적인 영역에서의 탐지율을 개선하여 동적 산불 예측 시스템에서 그 효과를 입증했습니다.