Fugu-MT 論文翻訳(概要): Transfer Learning for Spatial Autoregressive Models with Application to U.S. Presidential Election Prediction

論文の概要: Transfer Learning for Spatial Autoregressive Models with Application to U.S. Presidential Election Prediction

arxiv url: http://arxiv.org/abs/2405.15600v2
Date: Sat, 7 Sep 2024 08:59:57 GMT
ステータス: 処理完了
システム内更新日: 2024-09-11 02:21:54.474498
Title: Transfer Learning for Spatial Autoregressive Models with Application to U.S. Presidential Election Prediction
Title（参考訳）: 空間自己回帰モデルの移動学習と米国大統領選挙予測への応用
Authors: Hao Zeng, Wei Zhong, Xingbai Xu,
Abstract要約: 本稿では, tranSAR と呼ばれる SAR モデル内に新しいトランスファー学習フレームワークを提案する。我々のフレームワークは、類似した情報源データからの情報を活用することにより、予測と予測を強化する。本手法は, 従来の手法よりも優れており, アメリカ合衆国大統領選挙の結果を予測する上での有効性を実証する。
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: It is important to incorporate spatial geographic information into U.S. presidential election analysis, especially for swing states. The state-level analysis also faces significant challenges of limited spatial data availability. To address the challenges of spatial dependence and small sample sizes in predicting U.S. presidential election results using spatially dependent data, we propose a novel transfer learning framework within the SAR model, called as tranSAR. Classical SAR model estimation often loses accuracy with small target data samples. Our framework enhances estimation and prediction by leveraging information from similar source data. We introduce a two-stage algorithm, consisting of a transferring stage and a debiasing stage, to estimate parameters and establish theoretical convergence rates for the estimators. Additionally, if the informative source data are unknown, we propose a transferable source detection algorithm using spatial residual bootstrap to maintain spatial dependence and derive its detection consistency. Simulation studies show our algorithm substantially improves the classical two-stage least squares estimator. We demonstrate our method's effectiveness in predicting outcomes in U.S. presidential swing states, where it outperforms traditional methods. In addition, our tranSAR model predicts that the Democratic party will win the 2024 U.S. presidential election.
Abstract（参考訳）: 空間的な地理情報を米国大統領選挙の分析、特にスイング州に組み込むことが重要である。状態レベルの分析も、空間データの可用性が制限されるという大きな課題に直面している。空間依存データを用いたアメリカ合衆国大統領選挙結果の予測における空間依存と小サンプルサイズの問題に対処するため, tranSARと呼ばれるSARモデルにおける新しい移動学習フレームワークを提案する。古典的なSARモデル推定は、小さなターゲットデータサンプルでしばしば精度が低下する。我々のフレームワークは、類似した情報源データからの情報を活用することにより、予測と予測を強化する。本稿では、パラメータを推定し、推定器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からなる2段階のアルゴリズムを提案する。さらに,情報ソースデータが不明な場合,空間的残留ブートストラップを用いて空間的依存を保ち,その検出一貫性を導出するトランスファー可能なソース検出アルゴリズムを提案する。シミュレーション研究により,従来の2段最小二乗推定器を大幅に改善した。本手法は, 従来の手法よりも優れており, アメリカ合衆国大統領選挙の結果を予測する上での有効性を実証する。さらに、われわれのTransSARモデルは、民主党が2024年のアメリカ合衆国大統領選挙に勝つと予測している。

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。