論文の概要: Learning Economic Indicators by Aggregating Multi-Level Geospatial Information

• arxiv url: http://arxiv.org/abs/2205.01472v1
• Date: Tue, 3 May 2022 13:05:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-19 16:39:56.482522
• Title: Learning Economic Indicators by Aggregating Multi-Level Geospatial Information
• Title（参考訳）: 多層地理空間情報の集約による経済指標の学習
• Authors: Sungwon Park, Sungwon Han, Donghyun Ahn, Jaeyeon Kim, Jeasurk Yang, Susang Lee, Seunghoon Hong, Jihee Kim, Sangyoon Park, Hyunjoo Yang, Meeyoung Cha
• Abstract要約: 本研究は,複数レベルの地理的単位から観測される特徴を集約することで,経済指標を予測するための深層学習モデルを提案する。 我々の新しいマルチレベル学習モデルは、人口、購買力、エネルギー消費などの重要な指標を予測する上で、強いベースラインを著しく上回ります。 我々は、不平等と貧困に関する政策・社会科学研究において不可欠な第一歩である不平等を測定するためのマルチレベルモデルについて論じる。
• 参考スコア（独自算出の注目度）: 20.0397537179667
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-resolution daytime satellite imagery has become a promising source to study economic activities. These images display detailed terrain over large areas and allow zooming into smaller neighborhoods. Existing methods, however, have utilized images only in a single-level geographical unit. This research presents a deep learning model to predict economic indicators via aggregating traits observed from multiple levels of geographical units. The model first measures hyperlocal economy over small communities via ordinal regression. The next step extracts district-level features by summarizing interconnection among hyperlocal economies. In the final step, the model estimates economic indicators of districts via aggregating the hyperlocal and district information. Our new multi-level learning model substantially outperforms strong baselines in predicting key indicators such as population, purchasing power, and energy consumption. The model is also robust against data shortage; the trained features from one country can generalize to other countries when evaluated with data gathered from Malaysia, the Philippines, Thailand, and Vietnam. We discuss the multi-level model's implications for measuring inequality, which is the essential first step in policy and social science research on inequality and poverty.
• Abstract（参考訳）: 高解像度の昼間衛星画像は、経済活動研究の有望な情報源となっている。 これらの画像は、広い領域の詳細な地形を表示し、小さな地区に拡大することができる。 しかし、既存の手法では単一の地理的単位でのみ画像を活用している。 本研究は,複数レベルの地理的単位から観測される特徴を集約することで,経済指標を予測するための深層学習モデルを提案する。 モデルはまず、順序回帰を通じて、小さなコミュニティの超局所経済を測る。 次のステップは、超地方経済間の相互接続を要約することで、地域レベルの特徴を抽出する。 最終段階において、このモデルは超局所情報と地方情報を集約することで、地区の経済指標を推定する。 我々の新しいマルチレベル学習モデルは、人口、購買力、エネルギー消費などの重要な指標を予測する上で、強いベースラインを大幅に上回る。 このモデルはデータ不足に対して堅牢であり、マレーシア、フィリピン、タイ、ベトナムから収集されたデータで評価すると、ある国の訓練された特徴が他の国に一般化できる。 本稿では,不平等と貧困に関する政策・社会科学研究の第一段階である不平等を計測するための多レベルモデルの意義について論じる。

関連論文リスト

• GeoSEE: Regional Socio-Economic Estimation With a Large Language Model [17.31652821477571]
  大規模言語モデル(LLM)を用いた統合パイプラインを用いて,様々な社会経済指標を推定できるGeoSEEを提案する。 システムは、自然言語ベースのテキストフォーマットで選択したモジュールの結果を集約した後、コンテキスト内学習を通じてターゲットインジケータを算出する。 本手法は、教師なしコンテキストとローショットコンテキストの両方において、他の予測モデルよりも優れている。
  論文  参考訳（メタデータ） (2024-06-14T07:50:22Z)
• Granularity at Scale: Estimating Neighborhood Socioeconomic Indicators from High-Resolution Orthographic Imagery and Hybrid Learning [1.8369448205408005]
  オーバーヘッド画像は、コミュニティ情報が不足しているギャップを埋めるのに役立つ。 機械学習とコンピュータビジョンの最近の進歩により、画像データのパターンから素早く特徴を抽出し、検出することが可能になった。 本研究では, 人口密度, 中央値世帯所得, 教育達成率の2つのアプローチ, 教師付き畳み込みニューラルネットワークと半教師付きクラスタリングについて検討する。
  論文  参考訳（メタデータ） (2023-09-28T19:30:26Z)
• Bias and Fairness in Large Language Models: A Survey [73.87651986156006]
  本稿では,大規模言語モデル(LLM)のバイアス評価と緩和手法に関する総合的な調査を行う。 まず、自然言語処理における社会的偏見と公平性の概念を統合し、形式化し、拡張する。 次に,3つの直感的な2つのバイアス評価法と1つの緩和法を提案し,文献を統一する。
  論文  参考訳（メタデータ） (2023-09-02T00:32:55Z)
• Fine-Grained Socioeconomic Prediction from Satellite Images with Distributional Adjustment [14.076490368696508]
  本研究では,より広い領域で観測される分布挙動を捉えることで,各衛星画像に社会経済的スコアを割り当てる手法を提案する。 我々は、順序回帰スコアモデルを訓練し、そのスコアを地域内外の共通パワー則に従うように調整する。 また, この手法は, 不均質な開発地域において, 開発途上国での利用可能性を示す。
  論文  参考訳（メタデータ） (2023-08-30T12:06:04Z)
• Interpreting wealth distribution via poverty map inference using multimodal data [0.0]
  本稿では,複数の人口にまたがる富の平均および標準偏差を推論する機械学習モデルのパイプラインを提案する。 これらのモデルは、衛星画像と、オンラインのクラウドソーシングとソーシャルメディアを通じて収集されたメタデータに基づいて、7つの独立した、自由に利用可能な機能ソースを利用する。 その結果, 富の局所的平均と変動が回復し, 正の非単調な相関関係を正しく捉えた。
  論文  参考訳（メタデータ） (2023-02-17T11:35:44Z)
• Taxonomizing local versus global structure in neural network loss landscapes [60.206524503782006]
  ロスランドスケープが世界規模で良好に接続されている場合, 最適なテスト精度が得られることを示す。 また、モデルが小さい場合や、品質の低いデータに訓練された場合、世界規模で接続の不十分なランドスケープが生じる可能性があることも示しています。
  論文  参考訳（メタデータ） (2021-07-23T13:37:14Z)
• Methodological Foundation of a Numerical Taxonomy of Urban Form [62.997667081978825]
  本稿では, 生物系統学から得られた都市形態の数値分類法を提案する。 我々は同質の都市組織タイプを導出し、それら間の全体形態的類似性を決定することにより、都市形態の階層的分類を生成する。 フレーミングとプレゼンを行った後、プラハとアムステルダムの2都市でテストを行った。
  論文  参考訳（メタデータ） (2021-04-30T12:47:52Z)
• Dataset Cartography: Mapping and Diagnosing Datasets with Training Dynamics [118.75207687144817]
  我々はデータセットを特徴付け、診断するモデルベースのツールであるData Mapsを紹介した。 私たちは、トレーニング中の個々のインスタンス上でのモデルの振る舞いという、ほとんど無視された情報のソースを活用しています。 以上の結果から,データ量から品質へのフォーカスの変化は,ロバストなモデルとアウト・オブ・ディストリビューションの一般化に繋がる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-09-22T20:19:41Z)
• Magnify Your Population: Statistical Downscaling to Augment the Spatial Resolution of Socioeconomic Census Data [48.7576911714538]
  重要社会経済的属性の詳細な推定を導出する新しい統計的ダウンスケーリング手法を提案する。 選択された社会経済変数ごとに、ランダムフォレストモデルが元の国勢調査単位に基づいて訓練され、その後、微細なグリッド化された予測を生成するために使用される。 本研究では,この手法を米国の国勢調査データに適用し,ブロック群レベルで選択された社会経済変数を,300の空間分解能のグリッドにダウンスケールする。
  論文  参考訳（メタデータ） (2020-06-23T16:52:18Z)
• Predicting Livelihood Indicators from Community-Generated Street-Level Imagery [70.5081240396352]
  本稿では,クラウドソースによるストリートレベルの画像から重要な生活指標を予測するための,安価でスケーラブルで解釈可能なアプローチを提案する。 全国的に代表される世帯調査で収集した地上データと比較することにより,貧困,人口,健康の指標を正確に予測する上でのアプローチの有効性を実証した。
  論文  参考訳（メタデータ） (2020-06-15T18:12:12Z)

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。