論文の概要: Random Distribution Shift in Refugee Placement: Strategies for Building Robust Models

• arxiv url: http://arxiv.org/abs/2306.02948v1
• Date: Mon, 5 Jun 2023 15:14:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-06 14:22:56.175935
• Title: Random Distribution Shift in Refugee Placement: Strategies for Building Robust Models
• Title（参考訳）: 難民配置におけるランダム分布変化:ロバストモデル構築戦略
• Authors: Kirk Bansak, Elisabeth Paulson, Dominik Rothenh\"ausler
• Abstract要約: 近年,難民や亡命希望者をホスト国に配置するアルゴリズムが注目されている。 これらのアプローチでは、過去の到着に関するデータを使用して、家族と場所の一致に使用できる機械学習モデルを生成する。 既存の実装と研究モデルは、政策結果を直接予測し、これらの予測を代入手順で使用する。 本研究では、標準アプローチ、新しいデータとプロキシ結果を利用するアプローチ、ハイブリッドアプローチの3つの異なるモデリング戦略を提案し、比較する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Algorithmic assignment of refugees and asylum seekers to locations within host countries has gained attention in recent years, with implementations in the US and Switzerland. These approaches use data on past arrivals to generate machine learning models that can be used (along with assignment algorithms) to match families to locations, with the goal of maximizing a policy-relevant integration outcome such as employment status after a certain duration. Existing implementations and research train models to predict the policy outcome directly, and use these predictions in the assignment procedure. However, the merits of this approach, particularly in non-stationary settings, has not been previously explored. This study proposes and compares three different modeling strategies: the standard approach described above, an approach that uses newer data and proxy outcomes, and a hybrid approach. We show that the hybrid approach is robust to both distribution shift and weak proxy relationships -- the failure points of the other two methods, respectively. We compare these approaches empirically using data on asylum seekers in the Netherlands. Surprisingly, we find that both the proxy and hybrid approaches out-perform the standard approach in practice. These insights support the development of a real-world recommendation tool currently used by NGOs and government agencies.
• Abstract（参考訳）: 近年,米国やスイスでは,難民や亡命希望者をホスト国内の場所へ配置するアルゴリズムが注目されている。 これらのアプローチでは、過去の到着時のデータを使用して、家族と場所をマッチングするために(代入アルゴリズムとともに)使用できる機械学習モデルを生成する。 既存の実装と研究モデルは、政策結果を直接予測し、これらの予測を課題手順で使用する。 しかしながら、このアプローチのメリット、特に非定常設定については、これまで検討されていなかった。 本研究は,上述の標準アプローチ,新たなデータとプロキシ結果を用いたアプローチ,ハイブリッドアプローチの3つの異なるモデリング戦略を提案し,比較する。 ハイブリッドアプローチは分散シフトと弱いプロキシの関係 -- 他の2つの方法の障害点 -- の両方に対して堅牢であることを示す。 オランダの亡命希望者のデータを用いて,これらのアプローチを実証的に比較した。 驚くべきことに、プロキシとハイブリッドの両方のアプローチが、現実の標準アプローチよりも優れています。 これらの洞察は、現在NGOや政府機関が使用している現実世界のレコメンデーションツールの開発を支援する。

関連論文リスト

• Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
  本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。 我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-07-01T20:44:48Z)
• Proxy Methods for Domain Adaptation [78.03254010884783]
  プロキシ変数は、遅延変数を明示的にリカバリしたりモデル化したりすることなく、分散シフトへの適応を可能にする。 両設定の複雑な分散シフトに適応する2段階のカーネル推定手法を開発した。
  論文  参考訳（メタデータ） (2024-03-12T09:32:41Z)
• Uncertainty Quantification via Stable Distribution Propagation [60.065272548502]
  本稿では,ニューラルネットワークによる安定確率分布の伝播手法を提案する。 提案手法は局所線形化に基づいており,ReLU非線型性に対する全変動距離の近似値として最適であることを示す。
  論文  参考訳（メタデータ） (2024-02-13T09:40:19Z)
• Causality-oriented robustness: exploiting general additive interventions [3.871660145364189]
  本稿では因果性指向のロバスト性に着目し,不変勾配(DRIG)を用いた分布ロバスト性を提案する。 線形環境では、DRIGがデータ依存の分布シフトのクラスの中で頑健な予測を得られることを証明している。 我々は、予測性能をさらに向上させるために、半教師付きドメイン適応設定にアプローチを拡張した。
  論文  参考訳（メタデータ） (2023-07-18T16:22:50Z)
• Supervised Contrastive Learning with Heterogeneous Similarity for Distribution Shifts [3.7819322027528113]
  本稿では,教師付きコントラスト学習を用いた新たな正規化手法を提案する。 サブポピュレーションシフトや領域一般化などの分布シフトをエミュレートするベンチマークデータセットの実験は,提案手法の利点を実証している。
  論文  参考訳（メタデータ） (2023-04-07T01:45:09Z)
• Sinkhorn-Flow: Predicting Probability Mass Flow in Dynamical Systems Using Optimal Transport [89.61692654941106]
  そこで本稿では, 最適な輸送手段を用いて, 時間とともにそのような物質流を予測する新しい手法を提案する。 我々は、ソーシャルネットワークの設定において、コミュニティがどのように進化していくかを予測するタスクに、我々のアプローチを適用した。
  論文  参考訳（メタデータ） (2023-03-14T07:25:44Z)
• Variance-Reduced Heterogeneous Federated Learning via Stratified Client Selection [31.401919362978017]
  本稿では,収束性の向上と精度の向上を図るため,新たな階層化クライアント選択方式を提案する。 地層変動の多様性を考慮し,最適化されたサンプルサイズ割当方式を提案する。 実験結果から,本手法は最先端の手法と比較して性能が向上するだけでなく,一般的なFLアルゴリズムと互換性があることが確認された。
  論文  参考訳（メタデータ） (2022-01-15T05:41:36Z)
• CovarianceNet: Conditional Generative Model for Correct Covariance Prediction in Human Motion Prediction [71.31516599226606]
  本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。 我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
  論文  参考訳（メタデータ） (2021-09-07T09:38:24Z)
• Robustness via Cross-Domain Ensembles [0.5801044612920816]
  本稿では,ニューラルネットワークの予測をトレーニングデータ分布からのシフトに対して頑健にする手法を提案する。 提案手法は,多種多様なキューを用いて予測を行い,それらを1つの強い予測にまとめる手法である。
  論文  参考訳（メタデータ） (2021-03-19T17:28:03Z)
• A One-step Approach to Covariate Shift Adaptation [82.01909503235385]
  多くの機械学習シナリオにおけるデフォルトの前提は、トレーニングとテストサンプルは同じ確率分布から引き出されることである。 予測モデルと関連する重みを1つの最適化で共同で学習する新しいワンステップアプローチを提案する。
  論文  参考訳（メタデータ） (2020-07-08T11:35:47Z)

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。