論文の概要: Training Machine Learning Models to Characterize Temporal Evolution of Disadvantaged Communities

• arxiv url: http://arxiv.org/abs/2303.03677v1
• Date: Tue, 7 Mar 2023 06:33:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-08 16:16:03.708557
• Title: Training Machine Learning Models to Characterize Temporal Evolution of Disadvantaged Communities
• Title（参考訳）: 不便なコミュニティの時間的進化を特徴付ける機械学習モデルの訓練
• Authors: Milan Jain, Narmadha Meenu Mohankumar, Heng Wan, Sumitrra Ganguly, Kyle D Wilson, and David M Anderson
• Abstract要約: 米国エネルギー省(DOE)のジャスティス40イニシアチブは、気候とエネルギー投資がどこにあるか、あるいは行われていないかを判断するために、アメリカ合衆国中の国勢調査区域を特定している。 DACの地位は、将来のジャスティス40関連投資の適格性を決定するのに役立つだけでなく、資源の公平な分配を実現する方法を模索する上でも重要である。 本稿では,近年の国勢調査データに基づいて機械学習(ML)モデルを訓練して,国勢調査領域レベルでのDACステータスを分類し,過去のDACステータスを分類する。
• 参考スコア（独自算出の注目度）: 2.1242970730855126
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Disadvantaged communities (DAC), as defined by the Justice40 initiative of the Department of Energy (DOE), USA, identifies census tracts across the USA to determine where benefits of climate and energy investments are or are not currently accruing. The DAC status not only helps in determining the eligibility for future Justice40-related investments but is also critical for exploring ways to achieve equitable distribution of resources. However, designing inclusive and equitable strategies not just requires a good understanding of current demographics, but also a deeper analysis of the transformations that happened in those demographics over the years. In this paper, machine learning (ML) models are trained on publicly available census data from recent years to classify the DAC status at the census tracts level and then the trained model is used to classify DAC status for historical years. A detailed analysis of the feature and model selection along with the evolution of disadvantaged communities between 2013 and 2018 is presented in this study.
• Abstract（参考訳）: 米国エネルギー省(doe)のジャスティス40イニシアチブで定義されている不利な地域社会(dac)は、気候とエネルギー投資の利益がどこにあるか、あるいは現在取得されていないかを決定するために、米国中の国勢調査区分を特定する。 DACの地位は、将来のジャスティス40関連投資の適格性を決定するのに役立つだけでなく、資源の公平な分配を実現する方法を模索する上でも重要である。 しかし、包括的で公平な戦略を設計するには、現在の人口動態を十分に理解するだけでなく、過去数年間に起こった変化をより深く分析する必要がある。 本稿では,近年の国勢調査データに基づいて機械学習(ML)モデルを訓練して,国勢調査領域レベルでのDACステータスを分類し,過去のDACステータスを分類する。 本研究は,2013年から2018年における不利なコミュニティの進化に伴う特徴とモデル選択の詳細な分析について述べる。

関連論文リスト

• VLBiasBench: A Comprehensive Benchmark for Evaluating Bias in Large Vision-Language Model [72.13121434085116]
  VLBiasBenchは、LVLM(Large Vision-Language Models)におけるバイアスの評価を目的としたベンチマークである。 我々は、年齢、障害状態、性別、国籍、身体的外観、人種、宗教、職業、社会的経済状態、および2つの交叉バイアスカテゴリー(人種x性、人種x社会経済状態)を含む9つの異なる社会バイアスカテゴリーを含むデータセットを構築した。 15のオープンソースモデルと1つの高度なクローズドソースモデルに対して広範な評価を行い、これらのモデルから明らかになったバイアスに関する新たな洞察を提供する。
  論文  参考訳（メタデータ） (2024-06-20T10:56:59Z)
• Understanding Intrinsic Socioeconomic Biases in Large Language Models [4.276697874428501]
  本稿では,社会経済的バイアスを定量化するために,100万の英語文からなる新しいデータセットを提案する。 以上の結果から,GPT-2のような確立されたモデルと,Llama 2やFalconのような最先端のモデルの両方において,社会経済的バイアスが広範にあることが明らかとなった。
  論文  参考訳（メタデータ） (2024-05-28T23:54:44Z)
• Leveraging Prototypical Representations for Mitigating Social Bias without Demographic Information [50.29934517930506]
  DAFairは、言語モデルにおける社会的バイアスに対処する新しいアプローチである。 偏見を緩和するために、原型的人口統計テキストを活用し、微調整プロセス中に正規化用語を取り入れる。
  論文  参考訳（メタデータ） (2024-03-14T15:58:36Z)
• Assessing Generalization for Subpopulation Representative Modeling via In-Context Learning [5.439020425819001]
  本研究では,Large Language Model (LLM) に基づくサブポピュレーション代表モデル (SRM) が経験的データから一般化する能力を評価する。 応答変数と人口統計群をまたいだ一般化について検討する。
  論文  参考訳（メタデータ） (2024-02-12T01:55:51Z)
• Continual Learning with Pre-Trained Models: A Survey [61.97613090666247]
  継続的な学習は、新しい知識を学ぶ際に、かつての知識の破滅的な忘れを克服することを目的としている。 本稿では, PTM を用いた CL の最近の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2024-01-29T18:27:52Z)
• Survey of Social Bias in Vision-Language Models [65.44579542312489]
  調査の目的は、NLP、CV、VLをまたいだ事前学習モデルにおける社会バイアス研究の類似点と相違点について、研究者に高いレベルの洞察を提供することである。 ここで提示された発見とレコメンデーションはMLコミュニティの利益となり、公平でバイアスのないAIモデルの開発を促進する。
  論文  参考訳（メタデータ） (2023-09-24T15:34:56Z)
• Predicting Socio-Economic Well-being Using Mobile Apps Data: A Case Study of France [5.254432021398321]
  本研究では,モバイルアプリデータを用いて社会経済的特徴の予測を行う。 本研究では,数千のモバイルアプリケーションのトラフィックを約3000万のユーザでキャプチャするデータを用いた大規模調査を行う。 アプリの利用パターンを用いて、私たちの最良のモデルは社会経済指標を推定できる。
  論文  参考訳（メタデータ） (2023-01-15T18:12:16Z)
• Explaining Cross-Domain Recognition with Interpretable Deep Classifier [100.63114424262234]
  解釈可能なDeep(IDC)は、ターゲットサンプルの最も近いソースサンプルを、分類器が決定を下す証拠として学習する。 我々のIDCは、精度の劣化がほとんどなく、最適なリジェクションオプションの分類を効果的に調整する、より説明可能なモデルに導かれる。
  論文  参考訳（メタデータ） (2022-11-15T15:58:56Z)
• Estimating a new panel MSK dataset for comparative analyses of national absorptive capacity systems, economic growth, and development in low and middle income economies [0.0]
  低所得国や中所得国(LMIC)は、成長、発展、革新に関する経験的な議論にはほとんど含まれていない。 この作業は、新しい完全なパネルデータセットを提供し、IDAのサポートに該当するLMICに欠落する値はない。
  論文  参考訳（メタデータ） (2021-09-12T14:48:07Z)
• 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)
• An LSTM approach to Forecast Migration using Google Trends [7.621862131380908]
  線形重力モデルを長期記憶(LSTM)アプローチに置き換え、既存の2つのアプローチと比較する。 LSTMアプローチとGoogle Trendsのデータを組み合わせることで、これらのモデルがさまざまな指標で優れています。
  論文  参考訳（メタデータ） (2020-05-20T08:07:42Z)

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。