Fugu-MT 論文翻訳(概要): Transfer Learning for Spatial Autoregressive Models

論文の概要: Transfer Learning for Spatial Autoregressive Models

arxiv url: http://arxiv.org/abs/2405.15600v1
Date: Mon, 20 May 2024 03:14:15 GMT
ステータス: 処理完了
システム内更新日: 2024-05-27 13:40:24.438789
Title: Transfer Learning for Spatial Autoregressive Models
Title（参考訳）: 空間的自己回帰モデルのための伝達学習
Authors: Hao Zeng, Wei Zhong, Xingbai Xu,
Abstract要約: 空間自己回帰モデル(SAR)は様々な実証経済研究に広く応用されている。本稿では,SARモデルに類似したデータから情報を借用し,推定と予測の両方を改善するための新しい移動学習フレームワークを提案する。実証的な応用として,2020年アメリカ合衆国大統領選挙の揺動州における選挙予測に本手法を適用した。
参考スコア（独自算出の注目度）: 10.825562180226424
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The spatial autoregressive (SAR) model has been widely applied in various empirical economic studies to characterize the spatial dependence among subjects. However, the precision of estimating the SAR model diminishes when the sample size of the target data is limited. In this paper, we propose a new transfer learning framework for the SAR model to borrow the information from similar source data to improve both estimation and prediction. When the informative source data sets are known, we introduce a two-stage algorithm, including a transferring stage and a debiasing stage, to estimate the unknown parameters and also establish the theoretical convergence rates for the resulting estimators. If we do not know which sources to transfer, a transferable source detection algorithm is proposed to detect informative sources data based on spatial residual bootstrap to retain the necessary spatial dependence. Its detection consistency is also derived. Simulation studies demonstrate that using informative source data, our transfer learning algorithm significantly enhances the performance of the classical two-stage least squares estimator. In the empirical application, we apply our method to the election prediction in swing states in the 2020 U.S. presidential election, utilizing polling data from the 2016 U.S. presidential election along with other demographic and geographical data. The empirical results show that our method outperforms traditional estimation methods.
Abstract（参考訳）: 空間自己回帰モデル (SAR) は, 被験者間の空間依存を特徴づけるために, 様々な経験的経済研究に広く応用されている。しかし,SARモデルの推定精度は,対象データのサンプルサイズが制限された場合に低下する。本稿では,SARモデルのための新しい伝達学習フレームワークを提案する。情報ソースデータセットが知られている場合、未知のパラメータを推定し、得られた推定値の理論的収束率を確立するために、転送段階とデバイアス段階を含む2段階のアルゴリズムを導入する。もしどのソースを転送すべきかがわからなければ、空間的残留ブートストラップに基づく情報ソースデータを検出し、必要な空間的依存を維持するために、転送可能なソース検出アルゴリズムが提案される。検出一貫性ももたらされる。シミュレーション研究は,情報ソースデータを用いて,従来の2段最小二乗推定器の性能を著しく向上させることを実証した。実証的な応用として、我々は、2016年アメリカ合衆国大統領選挙の投票データとその他の人口統計および地理的データを利用して、2020年アメリカ合衆国大統領選挙の揺動州における選挙予測に適用する。実験結果から,本手法は従来の推定方法よりも優れていることが示された。

関連論文リスト

OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
論文参考訳（メタデータ） (2024-09-14T07:44:22Z)
Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
論文参考訳（メタデータ） (2024-07-20T01:34:13Z)
A step towards the integration of machine learning and small area estimation [0.0]
本稿では,機械学習アルゴリズムがサポートする予測器を提案する。仮定モデルからわずかに逸脱しただけで、この場合も提案が良い代替手段であることを示す。さらに,機械学習予測器の精度推定手法を提案し,従来の手法との比較を行った。
論文参考訳（メタデータ） (2024-02-12T09:43:17Z)
Spatial-temporal Forecasting for Regions without Observations [13.805203053973772]
本研究では,歴史的観察を伴わない関心領域の時空間予測について検討した。タスクに対してSTSMというモデルを提案する。私たちの重要な洞察は、関心のある領域に類似している場所から学ぶことです。
論文参考訳（メタデータ） (2024-01-19T06:26:05Z)
Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
論文参考訳（メタデータ） (2023-09-18T19:49:22Z)
How to Estimate Model Transferability of Pre-Trained Speech Models? [84.11085139766108]
事前学習音声モデルの伝達可能性推定のためのスコアベースアセスメントフレームワークベイズ確率推定と最適輸送という2つの表現理論を利用して、PSM候補のランクスコアを生成する。本フレームワークは,候補モデルやレイヤを実際に微調整することなく,転送可能性スコアを効率的に計算する。
論文参考訳（メタデータ） (2023-06-01T04:52:26Z)
ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
論文参考訳（メタデータ） (2023-04-07T23:51:07Z)
Novelty Detection for Election Fraud: A Case Study with Agent-Based Simulation Data [6.692240192392746]
不正行為のないクリーンな選挙結果データセットと、不正行為の度合いの異なるデータセットを生成します。このアルゴリズムは、投票結果の予測結果と実際の選挙結果の類似性を決定する。シミュレーション手法と機械学習モデルの有効性を両立させ,不正領域の同定に成功した。
論文参考訳（メタデータ） (2022-11-29T08:46:36Z)
C-Learning: Learning to Achieve Goals via Recursive Classification [163.7610618571879]
自律エージェントの将来の状態分布を予測・制御する問題について検討する。我々の研究は、密度推定としてゴール条件付きRLの基礎を定めている。
論文参考訳（メタデータ） (2020-11-17T19:58:56Z)
On Cokriging, Neural Networks, and Spatial Blind Source Separation for Multivariate Spatial Prediction [3.416170716497814]
ブラインドソース分離は空間予測のための前処理ツールである。本稿では,空間的ブラインド音源分離を空間的予測のための前処理ツールとして利用することを検討する。我々は、大規模なシミュレーション研究と地球化学データセットにおいて、Cokrigingとニューラルネットワークの予測と比較した。
論文参考訳（メタデータ） (2020-07-01T10:59:45Z)
Predicting into unknown space? Estimating the area of applicability of spatial prediction models [0.0]
モデルのクロスバリデーションエラーが適用される領域として定義する「適用可能性の領域」(AOA)を記述した方法論を提案する。シミュレーションデータを用いて理想的なしきい値を検証し、AOA内の予測誤差とモデルのクロスバリデーション誤差を比較した。
論文参考訳（メタデータ） (2020-05-16T10:31:55Z)

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。