論文の概要: Fairness and representation in satellite-based poverty maps: Evidence of urban-rural disparities and their impacts on downstream policy

• arxiv url: http://arxiv.org/abs/2305.01783v1
• Date: Tue, 2 May 2023 21:07:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-04 16:40:33.106512
• Title: Fairness and representation in satellite-based poverty maps: Evidence of urban-rural disparities and their impacts on downstream policy
• Title（参考訳）: 衛星による貧困マップの公平性と表現:都市と農村の格差の証拠と下流政策への影響
• Authors: Emily Aiken, Esther Rolf, Joshua Blumenstock
• Abstract要約: 本稿では,都市部および農村部における衛星による貧困マッピングにおける表現の格差,予測誤差の体系的バイアス,公平性の懸念について検討する。 本研究は,衛星による貧困マップを現実の政策決定に利用する前に,注意深い誤りとバイアス分析の重要性を強調した。
• 参考スコア（独自算出の注目度）: 5.456665139074406
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Poverty maps derived from satellite imagery are increasingly used to inform high-stakes policy decisions, such as the allocation of humanitarian aid and the distribution of government resources. Such poverty maps are typically constructed by training machine learning algorithms on a relatively modest amount of ``ground truth" data from surveys, and then predicting poverty levels in areas where imagery exists but surveys do not. Using survey and satellite data from ten countries, this paper investigates disparities in representation, systematic biases in prediction errors, and fairness concerns in satellite-based poverty mapping across urban and rural lines, and shows how these phenomena affect the validity of policies based on predicted maps. Our findings highlight the importance of careful error and bias analysis before using satellite-based poverty maps in real-world policy decisions.
• Abstract（参考訳）: 衛星画像から得られた貧困地図は、人道支援の配分や政府の資源の分配など、高水準の政策決定を知らせるためにますます使われている。 このような貧困マップは、調査から得られた比較的控えめな量の「地下真実」データに基づいて機械学習アルゴリズムを訓練し、画像が存在する地域で貧困レベルを予測することで構築される。 本稿は,10か国から収集された調査と衛星データを用いて,都市・農村間の貧困マップにおける,表象の格差,予測誤差の系統的偏り,公平性に関する懸念を調査し,これらの現象が予測地図に基づく政策の妥当性にどのように影響するかを示す。 本研究は,現実の政策決定に衛星ベースの貧困マップを使う前に,注意深い誤りとバイアス分析の重要性を浮き彫りにする。

関連論文リスト

• The Impact of Differential Feature Under-reporting on Algorithmic Fairness [86.275300739926]
  解析的に抽出可能な差分特徴のアンダーレポーティングモデルを提案する。 そして、この種のデータバイアスがアルゴリズムの公正性に与える影響を特徴づける。 我々の結果は、実世界のデータ設定では、アンダーレポートが典型的に格差を増大させることを示している。
  論文  参考訳（メタデータ） (2024-01-16T19:16:22Z)
• Learning and Reasoning Multifaceted and Longitudinal Data for Poverty Estimates and Livelihood Capabilities of Lagged Regions in Rural India [22.98110639419913]
  このプロジェクトは、生活の質と生活の指標に基づいて、1990-2022年のインド農村の貧困状況を調べることを目的としている。 また、因果関係や縦断的分析も検討し、貧困の原因について検討する。
  論文  参考訳（メタデータ） (2023-04-27T05:33:08Z)
• 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)
• Graph-based Village Level Poverty Identification [52.12744462605759]
  Webインフラストラクチャとそのモデリングツールの開発は、貧しい村を識別するための新しいアプローチを提供する。 地理的距離を通して村の接続をグラフとしてモデル化することにより,村の貧困状況とグラフトポロジ的位置との相関関係を示す。 貧しい村を識別する最初のグラフベース手法を提案する。
  論文  参考訳（メタデータ） (2023-02-14T06:58:40Z)
• Predicting Poverty Level from Satellite Imagery using Deep Neural Networks [0.0]
  頭上衛星画像から地域の貧困レベルを予測する深層学習型コンピュータビジョン手法を開発した。 データ量とデータ拡張がネットワークの表現力と全体的な精度に与える影響について検討する。
  論文  参考訳（メタデータ） (2021-11-30T18:57:24Z)
• Towards Measuring Bias in Image Classification [61.802949761385]
  畳み込みニューラルネットワーク(CNN)は、主要なコンピュータビジョンタスクの最先端技術となっている。 しかし、複雑な構造のため、その決定は産業世界の何らかの文脈での使用を制限するかを理解することは困難である。 帰属マップによるデータのバイアスを明らかにするための体系的なアプローチを提案する。
  論文  参考訳（メタデータ） (2021-07-01T10:50:39Z)
• Interpretable Poverty Mapping using Social Media Data, Satellite Images, and Geospatial Information [0.0]
  本稿では、機械学習とアクセスしやすいデータソースを用いた貧困推定に対する解釈可能かつ費用効率のよいアプローチを提案する。 フィリピンの資産推定ではR2ドル0.66ドル、衛星画像では0.63ドルである。
  論文  参考訳（メタデータ） (2020-11-27T05:24:53Z)
• Using satellite imagery to understand and promote sustainable development [87.72561825617062]
  持続可能な開発成果を理解するために衛星画像を用いた成長する文献を合成する。 我々は、重要な人間関係の結果と、衛星画像の量の増大と解像度について、地上データの質を定量化する。 不足およびノイズの多いトレーニングデータの観点から、モデル構築に対する最近の機械学習アプローチをレビューする。
  論文  参考訳（メタデータ） (2020-09-23T05:20:00Z)
• 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)
• Generating Interpretable Poverty Maps using Object Detection in Satellite Images [80.35540308137043]
  衛星画像に物体検出装置を適用することにより、局所レベルでの貧困を正確に予測するための解釈可能な計算手法を実証する。 対象物の重み付けを特徴として、ウガンダの村レベルの貧困を予測する0.539 Pearson's r2を達成し、既存の(解釈不可能でない)ベンチマークよりも31%改善した。
  論文  参考訳（メタデータ） (2020-02-05T02:50:01Z)

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。