論文の概要: Planetary Causal Inference: Implications for the Geography of Poverty

• arxiv url: http://arxiv.org/abs/2406.02584v2
• Date: Fri, 5 Jul 2024 15:37:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-08 22:44:48.646145
• Title: Planetary Causal Inference: Implications for the Geography of Poverty
• Title（参考訳）: 惑星因果推論 : 貧困の地理学における意味
• Authors: Kazuki Sakamoto, Connor T. Jerzak, Adel Daoud,
• Abstract要約: まず,衛星画像とEOデータを用いた因果解析への関心の高まりについて述べる。 次に、空間統計学と機械学習手法の関係を辿り、因果機械学習パイプラインでEOデータが使われている4つの方法について議論する。 今後、研究者がEOデータを因果ML分析に組み込むためのステップバイステップのワークフローを提供する。
• 参考スコア（独自算出の注目度）: 3.4137115855910762
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Earth observation data such as satellite imagery can, when combined with machine learning, can have far-reaching impacts on our understanding of the geography of poverty through the prediction of living conditions, especially where government-derived economic indicators are either unavailable or potentially untrustworthy. Recent work has progressed in using Earth Observation (EO) data not only to predict spatial economic outcomes but also to explore cause and effect, an understanding which is critical for downstream policy analysis. In this review, we first document the growth of interest in using satellite images together with EO data in causal analysis. We then trace the relationship between spatial statistics and machine learning methods before discussing four ways in which EO data has been used in causal machine learning pipelines -- (1.) poverty outcome imputation for downstream causal analysis, (2.) EO image deconfounding, (3.) EO-based treatment effect heterogeneity, and (4.) EO-based transportability analysis. We conclude by providing a step-by-step workflow for how researchers can incorporate EO data in causal ML analysis going forward, outlining major choices of data, models, and evaluation metrics.
• Abstract（参考訳）: 衛星画像などの地球観測データと機械学習を組み合わせると、生活環境の予測を通じて貧困の地理を理解することに、はるかに大きな影響を与える可能性がある。 地球観測(EO)データを用いた最近の研究は、空間的経済効果の予測だけでなく、下流の政策分析にとって重要な原因と効果の探索にも進んでいる。 本稿では、まず、衛星画像とEOデータを用いた因果解析への関心の高まりについて述べる。 次に, 空間統計学と機械学習手法の関係を追究し, 因果学習パイプラインにおけるEOデータの利用方法について考察した。 (1.) 下流因果解析のための貧困結果計算, (2.) EO画像分解処理, (3.) EOベースの処理効果の不均一性, (4.) EOベースのトランスポートビリティ解析である。 研究者が今後、因果ML分析にEOデータを組み込むためのステップバイステップのワークフローを提供することで、データ、モデル、評価メトリクスの主要な選択肢を概説する。

関連論文リスト

• Analyzing Poverty through Intra-Annual Time-Series: A Wavelet Transform Approach [2.3213238782019316]
  ランドサット画像と夜間光データを用いて,年内EOデータを用いたEO-ML手法の評価を行った。 以上の結果から, 特定のNDVI特徴とマルチスペクトルデータの統合は, 貧困分析に有意義な洞察をもたらすことが示唆された。
  論文  参考訳（メタデータ） (2024-11-05T06:59:05Z)
• Data-Centric AI in the Age of Large Language Models [51.20451986068925]
  本稿では,大規模言語モデル(LLM)に着目した,AI研究におけるデータ中心の視点を提案する。 本研究では,LLMの発達段階(事前学習や微調整など)や推論段階(文脈内学習など)において,データが有効であることを示す。 データを中心とした4つのシナリオを特定し、データ中心のベンチマークとデータキュレーション、データ属性、知識伝達、推論コンテキスト化をカバーします。
  論文  参考訳（メタデータ） (2024-06-20T16:34:07Z)
• Smoke and Mirrors in Causal Downstream Tasks [59.90654397037007]
  本稿では, 治療効果推定の因果推論タスクについて検討し, 高次元観察において利害関係が記録されている。 最先端の視覚バックボーンから微調整した6つの480モデルを比較し、サンプリングとモデリングの選択が因果推定の精度に大きく影響することを発見した。 以上の結果から,今後のベンチマークでは,下流の科学的問題,特に因果的な問題について慎重に検討すべきであることが示唆された。
  論文  参考訳（メタデータ） (2024-05-27T13:26:34Z)
• VALOR-EVAL: Holistic Coverage and Faithfulness Evaluation of Large Vision-Language Models [57.43276586087863]
  LVLM(Large Vision-Language Models)は幻覚に悩まされ、このモデルでは可聴音を発生させるが、実際には誤出力を発生させる。 既存のベンチマークはスコープに限られており、主にオブジェクト幻覚に焦点を当てている。 対象,属性,関係を多次元のベンチマークで表現し,連想バイアスに基づいて画像を選択する。
  論文  参考訳（メタデータ） (2024-04-22T04:49:22Z)
• Impact Assessment of Missing Data in Model Predictions for Earth Observation Applications [4.388282062290401]
  分類タスクと回帰タスクを含む4つのデータセットのトレーニングモデルにおいて、時間的および静的なEO源の欠如が与える影響を評価する。 いくつかのメソッドは、欠落データに対して自然に堅牢であることに気付きました。 光学ビューは、個別に欠落しているときに最も重要なビューである。
  論文  参考訳（メタデータ） (2024-03-21T11:03:56Z)
• Bias and Fairness in Large Language Models: A Survey [73.87651986156006]
  本稿では,大規模言語モデル(LLM)のバイアス評価と緩和手法に関する総合的な調査を行う。 まず、自然言語処理における社会的偏見と公平性の概念を統合し、形式化し、拡張する。 次に,3つの直感的な2つのバイアス評価法と1つの緩和法を提案し,文献を統一する。
  論文  参考訳（メタデータ） (2023-09-02T00:32:55Z)
• Artificial intelligence to advance Earth observation: : A review of models, recent trends, and pathways forward [60.43248801101935]
  本稿では、生のEOデータから使用可能なEOベースの情報への移行を通知し、支援する、重要な科学的ツールとアプローチについて、鳥の視点で説明する。 i)コンピュータビジョン, (ii) 機械学習, (iii) 高度な処理とコンピューティング, (iv) 知識ベースAI, (v) 説明可能なAIと因果推論, (vi) 物理認識モデル, (vii) ユーザ中心のアプローチ, (viii) EOにおけるML技術の大量使用に関する倫理的・社会的問題に関する議論の議論を網羅する。
  論文  参考訳（メタデータ） (2023-05-15T07:47:24Z)
• Studying Up Machine Learning Data: Why Talk About Bias When We Mean Power? [0.0]
  我々は、社会的問題を「バイアス」に減らすことは、文脈に基づくデータの性質を損なうと論じている。 MLデータセットを形作るデータワーカーの労働にかかわる企業力と市場衝動に注目します。
  論文  参考訳（メタデータ） (2021-09-16T17:38:26Z)
• Earth Observation and the New African Rural Datascapes: Defining an Agenda for Critical Research [0.0]
  地球観測データの可用性の向上は、アフリカの農村の景観の利用とガバナンスを変える可能性がある。 近年、アフリカの農業システムにおける利害関係者を対象としたEOデータアプリケーションの開発が急速に増加している。 EOのデータがどのようにアクセスされ、提示され、散布され、異なる社会的・政治的文脈で使用されるかという批判的な奨学金は、いまだに少ない。
  論文  参考訳（メタデータ） (2021-08-23T06:05:16Z)
• OR-Net: Pointwise Relational Inference for Data Completion under Partial Observation [51.083573770706636]
  この作業はリレーショナル推論を使って不完全なデータを埋めます。 本稿では,2つの点での相対性理論をモデル化するために,全関係ネットワーク (or-net) を提案する。
  論文  参考訳（メタデータ） (2021-05-02T06:05:54Z)

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。