論文の概要: A Scoping Review of Earth Observation and Machine Learning for Causal Inference: Implications for the Geography of Poverty

• arxiv url: http://arxiv.org/abs/2406.02584v3
• Date: Tue, 24 Sep 2024 20:50:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-09 01:56:09.674741
• Title: A Scoping Review of Earth Observation and Machine Learning for Causal Inference: Implications for the Geography of Poverty
• Title（参考訳）: 因果推論のための地球観測と機械学習のスコーピングレビュー:貧困の地理学への応用
• Authors: Kazuki Sakamoto, Connor T. Jerzak, Adel Daoud,
• Abstract要約: コンピュータビジョンの初期の研究は、生活状態を推定するために予測モデルを使用した。 近年の作業は、この結果を予測するためにEOデータを使うだけでなく、因果推論を行うためにも使われている。
• 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 (EO) data such as satellite imagery can have far-reaching impacts on our understanding of the geography of poverty, especially when coupled with machine learning (ML) and computer vision. Early research in computer vision used predictive models to estimate living conditions, especially in contexts where data availability on poverty was scarce. Recent work has progressed beyond using EO data to predict such outcomes -- now also using it to conduct causal inference. However, how such EO-ML models are used for causality remains incompletely mapped. To address this gap, we conduct a scoping review where we first document the growth of interest in using satellite images and other sources of EO data in causal analysis. We then trace the methodological relationship between spatial statistics and ML methods before discussing five ways in which EO data has been used in scientific workflows -- (1) outcome imputation for downstream causal analysis, (2) EO image deconfounding, (3) EO-based treatment effect heterogeneity, (4) EO-based transportability analysis, and (5) image-informed causal discovery. We consolidate these observations by providing a detailed workflow for how researchers can incorporate EO data in causal analysis going forward -- from data requirements to choice of computer vision model and evaluation metrics. While our discussion focuses on health and living conditions outcomes, our workflow applies to other measures of sustainable development where EO data are informative.
• Abstract（参考訳）: 衛星画像などの地球観測(EO)データは、特に機械学習(ML)やコンピュータビジョンと組み合わせることで、貧困の地理に対する理解に大きな影響を及ぼす可能性がある。 コンピュータビジョンの初期の研究は、特に貧困におけるデータの可用性が不足している状況において、生活条件を推定するために予測モデルを使用した。 近年の作業は、この結果を予測するためにEOデータを使うだけでなく、因果推論を行うためにも使われている。 しかし、そのようなEO-MLモデルがどのように因果関係に使われているかは、いまだに不完全である。 このギャップに対処するために、私たちはまず、衛星画像やその他のEOデータソースを用いた因果解析への関心の高まりについて、スコーピングレビューを実施します。 次に, 科学的ワークフローにおいてEOデータを用いた5つの方法について議論する前に, 空間統計学とML手法の方法論的関係をたどる。(1) 下流因果解析の結果の計算, (2) EO画像の分解, (3) EO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分析, (5) 画像インフォームによる因果発見。 今後、データ要件からコンピュータビジョンモデルの選択、評価メトリクスに至るまで、研究者が因果解析にEOデータを組み込むための詳細なワークフローを提供することで、これらの観察を集約します。 我々の議論は、健康と生活状態の結果に焦点が当てられているが、我々のワークフローは、EOデータが有益であるような持続可能な発展の他の尺度に適用されている。

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。