論文の概要: Geospatial Disparities: A Case Study on Real Estate Prices in Paris
- arxiv url: http://arxiv.org/abs/2401.16197v1
- Date: Mon, 29 Jan 2024 14:53:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-30 14:29:10.218235
- Title: Geospatial Disparities: A Case Study on Real Estate Prices in Paris
- Title（参考訳）: 空間的格差:パリにおける不動産価格のケーススタディ
- Authors: Agathe Fernandes Machado, Fran\c{c}ois Hu, Philipp Ratz, Ewen Gallic,
Arthur Charpentier
- Abstract要約: 地理空間データから生じるバイアスを識別・緩和するためのツールキットを提案する。
空間的属性を持つ順序回帰ケースを2次分類の焦点から逸脱する。
本手法を概説し,本手法の実践的応用を実証し,公正度と校正対策のための地理的集約レベルを選択することの意味を精査する。
- 参考スコア（独自算出の注目度）: 0.3495246564946556
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Driven by an increasing prevalence of trackers, ever more IoT sensors, and
the declining cost of computing power, geospatial information has come to play
a pivotal role in contemporary predictive models. While enhancing prognostic
performance, geospatial data also has the potential to perpetuate many
historical socio-economic patterns, raising concerns about a resurgence of
biases and exclusionary practices, with their disproportionate impacts on
society. Addressing this, our paper emphasizes the crucial need to identify and
rectify such biases and calibration errors in predictive models, particularly
as algorithms become more intricate and less interpretable. The increasing
granularity of geospatial information further introduces ethical concerns, as
choosing different geographical scales may exacerbate disparities akin to
redlining and exclusionary zoning. To address these issues, we propose a
toolkit for identifying and mitigating biases arising from geospatial data.
Extending classical fairness definitions, we incorporate an ordinal regression
case with spatial attributes, deviating from the binary classification focus.
This extension allows us to gauge disparities stemming from data aggregation
levels and advocates for a less interfering correction approach. Illustrating
our methodology using a Parisian real estate dataset, we showcase practical
applications and scrutinize the implications of choosing geographical
aggregation levels for fairness and calibration measures.
- Abstract（参考訳）: トラッカーの普及、さらに多くのIoTセンサー、コンピューティングパワーのコストの低下によって、地理空間情報は、現代の予測モデルにおいて重要な役割を果たすようになった。
予測能力を高める一方で、地理空間データは多くの歴史的社会経済パターンを持続する可能性があり、偏りと排他的慣行の復活に関する懸念を提起し、社会に不釣り合いな影響をもたらす。
そこで本論文では,予測モデルにおけるバイアスや校正誤差の同定と修正を重要視する。
地理空間情報の粒度の増大は、地理的スケールの異なる選択が、リライニングや排他的区分けのような格差を悪化させる可能性があるため、倫理的な懸念をさらに引き起こす。
これらの問題に対処するために,地理空間データから生じるバイアスを特定し緩和するためのツールキットを提案する。
古典的公平性の定義を拡張し、二項分類の焦点から逸脱した空間特性を持つ順序回帰ケースを組み込む。
この拡張により、データ集約レベルから生じる格差を計測し、より干渉の少ない修正アプローチを提唱することができる。
本手法をパリの不動産データセットを用いて示し,実践的応用例を示し,公平性と校正対策のための地理的集約レベルを選択することの意義を考察する。
関連論文リスト
- Thinking Racial Bias in Fair Forgery Detection: Models, Datasets and Evaluations [63.52709761339949]
最初に、Fair Forgery Detection(FairFD)データセットと呼ばれる専用のデータセットをコントリビュートし、SOTA(Public State-of-the-art)メソッドの人種的偏見を証明する。
既存の偽造検出データセットとは異なり、自己構築のFairFDデータセットは、バランスの取れた人種比と、最も大規模な被験者との多様な偽造生成画像を含んでいる。
我々は、偽りの結果を避けることができる平均的メトリクスと実用正規化メトリクスを含む新しいメトリクスを設計する。
論文 参考訳（メタデータ） (2024-07-19T14:53:18Z) - Fair Spatial Indexing: A paradigm for Group Spatial Fairness [6.640563753223598]
機械学習における位置バイアスを軽減する手法を提案する。
本研究では,空間群フェアネスに着目し,空間群フェアネスを考慮に入れた空間インデックス化アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-02-05T05:15:11Z) - TensorAnalyzer: Identification of Urban Patterns in Big Cities using
Non-Negative Tensor Factorization [8.881421521529198]
本稿では,テンソル分解に基づく複数のデータソースから最も関連性の高い都市パターンを検出するための新しい手法を提案する。
提案手法の有効性と有用性を検証した汎用フレームワークAnalyzerを開発した。
論文 参考訳（メタデータ） (2022-10-06T01:04:02Z) - Position-aware Structure Learning for Graph Topology-imbalance by
Relieving Under-reaching and Over-squashing [67.83086131278904]
トポロジー不均衡は、ラベル付きノードの不均一なトポロジー位置によって引き起こされるグラフ固有の不均衡問題である。
PASTEL という新しい位置認識型グラフ構造学習フレームワークを提案する。
私たちの重要な洞察は、より監督的な情報を得るために、同じクラス内のノードの接続性を高めることです。
論文 参考訳（メタデータ） (2022-08-17T14:04:21Z) - Deep residential representations: Using unsupervised learning to unlock
elevation data for geo-demographic prediction [0.0]
LiDAR技術は、都市景観と農村景観の詳細な3次元標高マップを提供するために利用することができる。
現在まで、空中LiDAR画像は、主に環境と考古学の領域に限られている。
我々は、このデータの適合性は、独自のだけでなく、人口統計学的特徴と組み合わせたデータの源でもあると考え、埋め込みの現実的なユースケースを提供する。
論文 参考訳（メタデータ） (2021-12-02T17:10:52Z) - Fairness without the sensitive attribute via Causal Variational
Autoencoder [17.675997789073907]
EUにおけるプライバシーの目的とRGPDのような多彩な規制のため、多くの個人機密属性は収集されないことが多い。
近年の開発成果を近似推論に活用することにより,このギャップを埋めるためのアプローチを提案する。
因果グラフに基づいて、機密情報プロキシを推論するために、SRCVAEと呼ばれる新しい変分自動符号化ベースのフレームワークを利用する。
論文 参考訳（メタデータ） (2021-09-10T17:12:52Z) - Geo-Spatiotemporal Features and Shape-Based Prior Knowledge for
Fine-grained Imbalanced Data Classification [63.916371837696396]
細粒度分類は、類似のグローバル知覚とパターンを持つ項目を区別することを目的としているが、細部によって異なる。
私たちの主な課題は、小さなクラス間バリエーションと大きなクラス内バリエーションの両方から来ています。
我々は,野生生物の利用事例における細粒度分類を改善するため,いくつかの革新を組み合わせることを提案する。
論文 参考訳（メタデータ） (2021-03-21T02:01:38Z) - Fundamental Limits and Tradeoffs in Invariant Representation Learning [99.2368462915979]
多くの機械学習アプリケーションは、2つの競合する目標を達成する表現を学習する。
ミニマックスゲーム理論の定式化は、精度と不変性の基本的なトレードオフを表す。
分類と回帰の双方において,この一般的かつ重要な問題を情報論的に解析する。
論文 参考訳（メタデータ） (2020-12-19T15:24:04Z) - Domain Adaptative Causality Encoder [52.779274858332656]
我々は,適応因果同定と局所化の課題に対処するために,依存木の特徴と敵対学習を活用する。
我々は、テキストにあらゆる種類の因果関係を統合する新しい因果関係データセット、MedCausを提案する。
論文 参考訳（メタデータ） (2020-11-27T04:14:55Z) - Supercharging Imbalanced Data Learning With Energy-based Contrastive
Representation Transfer [72.5190560787569]
コンピュータビジョンにおいて、長い尾のデータセットからの学習は、特に自然画像データセットの繰り返しのテーマである。
本稿では,データ生成機構がラベル条件と特徴分布の間で不変であるメタ分散シナリオを提案する。
これにより、因果データインフレーションの手順を利用してマイノリティクラスの表現を拡大できる。
論文 参考訳（メタデータ） (2020-11-25T00:13:11Z) - Learning Geo-Contextual Embeddings for Commuting Flow Prediction [20.600183945696863]
インフラ・土地利用情報に基づく通勤フローの予測は都市計画・公共政策開発に不可欠である。
重力モデルのような従来のモデルは、主に物理原理から派生し、現実のシナリオにおける予測力によって制限される。
本研究では,空間的相関を空間的コンテキスト情報から捉えて,通勤フロー予測を行うモデルであるGeo-contextual Multitask Embedding Learner (GMEL)を提案する。
論文 参考訳（メタデータ） (2020-05-04T17:45:18Z)
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。