論文の概要: Mitigating biases in big mobility data: a case study of monitoring large-scale transit systems

• arxiv url: http://arxiv.org/abs/2407.14541v1
• Date: Tue, 16 Jul 2024 02:22:16 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-23 22:03:21.645767
• Title: Mitigating biases in big mobility data: a case study of monitoring large-scale transit systems
• Title（参考訳）: 大規模移動データにおけるバイアスの緩和--大規模交通システムのモニタリングを事例として
• Authors: Feilong Wang, Xuegang Ban, Peng Chen, Chenxi Liu, Rong Zhao,
• Abstract要約: 本研究では,大きなモビリティデータセットのバイアスを評価し,緩和法を開発した。 今回の研究では、GoogleとAppleのモビリティデータを例として、政府機関のベンチマークデータと比較します。
• 参考スコア（独自算出の注目度）: 12.332645165759406
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Big mobility datasets (BMD) have shown many advantages in studying human mobility and evaluating the performance of transportation systems. However, the quality of BMD remains poorly understood. This study evaluates biases in BMD and develops mitigation methods. Using Google and Apple mobility data as examples, this study compares them with benchmark data from governmental agencies. Spatio-temporal discrepancies between BMD and benchmark are observed and their impacts on transportation applications are investigated, emphasizing the urgent need to address these biases to prevent misguided policymaking. This study further proposes and tests a bias mitigation method. It is shown that the mitigated BMD could generate valuable insights into large-scale public transit systems across 100+ US counties, revealing regional disparities of the recovery of transit systems from the COVID-19. This study underscores the importance of caution when using BMD in transportation research and presents effective mitigation strategies that would benefit practitioners.
• Abstract（参考訳）: ビッグモビリティデータセット(BMD)は、人間のモビリティを研究し、交通システムの性能を評価する上で、多くの利点を示してきた。 しかし、BMDの質はいまだによく分かっていない。 本研究では,BMDのバイアスを評価し,緩和法を開発した。 今回の研究では、GoogleとAppleのモビリティデータを例として、政府機関のベンチマークデータと比較します。 BMDとベンチマークの時空間差が観察され,輸送アプリケーションへの影響が調査され,誤った政策立案を防止するために,これらのバイアスに緊急に対応する必要性が強調された。 本研究は, バイアス緩和法の提案と試験を行う。 この緩和されたBMDは、米国100郡以上の大規模公共交通システムに貴重な洞察を与え、新型コロナウイルス(COVID-19)からの交通システムの復旧に地域差があることが示されている。 本研究は,BMDを用いた交通研究における注意点と,実践者にとって有益となる効果的な緩和策を提示するものである。

関連論文リスト

• Model Inversion Attacks: A Survey of Approaches and Countermeasures [59.986922963781]
  近年、新しいタイプのプライバシ攻撃であるモデル反転攻撃(MIA)は、トレーニングのためのプライベートデータの機密性を抽出することを目的としている。 この重要性にもかかわらず、総合的な概要とMIAに関する深い洞察を提供する体系的な研究が欠如している。 本調査は、攻撃と防御の両方において、最新のMIA手法を要約することを目的としている。
  論文  参考訳（メタデータ） (2024-11-15T08:09:28Z)
• DispaRisk: Auditing Fairness Through Usable Information [21.521208250966918]
  DispaRiskは、マシンラーニングパイプラインの初期段階におけるデータセットの格差の潜在的なリスクを評価するために設計されたフレームワークである。 DispaRiskは、差別のリスクの高いデータセットを特定し、MLパイプライン内のバイアスが発生しやすいモデルファミリーを検出し、これらのバイアスリスクの説明可能性を高める。 この研究は、早期バイアス検出と緩和のための堅牢なツールを提供することにより、より公平なMLシステムの開発に寄与する。
  論文  参考訳（メタデータ） (2024-05-20T20:56:01Z)
• Analyzing and Mitigating Bias for Vulnerable Classes: Towards Balanced Representation in Dataset [2.143460356353513]
  本研究は、脆弱な道路利用者間のクラス不均衡を調査することに焦点を当てる。 一般的なCNNモデルとビジョントランスフォーマー(ViT)をnuScenesデータセットで利用しています。 提案手法を用いて、CNNモデルのIoU(%)とNDS(%)のメトリクスを71.3から75.6、80.6から83.7に改善する。
  論文  参考訳（メタデータ） (2024-01-18T22:10:46Z)
• DeCrisisMB: Debiased Semi-Supervised Learning for Crisis Tweet Classification via Memory Bank [52.20298962359658]
  危機イベントにおいて、人々は、状況、警告、アドバイス、サポートに関する情報を広めるために、Twitterのようなソーシャルメディアプラットフォームを使うことが多い。 完全に教師されたアプローチでは、大量のデータを注釈付けする必要があります。 半教師付きモデルは偏りがあり、特定のクラスでは適度に機能し、他のクラスでは極めて貧弱である。 本稿では,メモリバンクを用いて,各学習クラスから生成された擬似ラベルを等しくサンプリングする,単純かつ効果的なデバイアス処理手法であるDeCrisisMBを提案する。
  論文  参考訳（メタデータ） (2023-10-23T05:25:51Z)
• Biases in human mobility data impact epidemic modeling [0.0]
  携帯電話の不正アクセスと不平等使用による2種類のバイアスを同定する。 我々は、高重量個体が過剰に表現されているすべての調査データセットにおいて、データ生成バイアスの証拠を見つける。 このスキューを緩和するために、データをデバイアスするフレームワークを提案し、代表性を高めるためにいかに簡単なテクニックが使えるかを示す。
  論文  参考訳（メタデータ） (2021-12-23T13:20:54Z)
• Causal-BALD: Deep Bayesian Active Learning of Outcomes to Infer Treatment-Effects from Observational Data [37.15330590319357]
  既存のアプローチは、治療と管理のために観察された結果に深いモデルを適用することに依存している。 Deep Bayesian Active Learningは、不確実性の高い点を選択することによって、効率的なデータ取得のためのフレームワークを提供する。 本稿では,重なり合う領域に対するバイアスデータ取得という情報理論に基づく因果的ベイズ獲得機能を紹介する。
  論文  参考訳（メタデータ） (2021-11-03T15:11:39Z)
• Estimating and Improving Fairness with Adversarial Learning [65.99330614802388]
  本研究では,深層学習に基づく医療画像解析システムにおけるバイアスの同時緩和と検出を目的としたマルチタスク・トレーニング戦略を提案する。 具体的には,バイアスに対する識別モジュールと,ベース分類モデルにおける不公平性を予測するクリティカルモジュールを追加することを提案する。 大規模で利用可能な皮膚病変データセットのフレームワークを評価します。
  論文  参考訳（メタデータ） (2021-03-07T03:10:32Z)
• Combining Graph Neural Networks and Spatio-temporal Disease Models to Predict COVID-19 Cases in Germany [0.0]
  いくつかの専門家は、新型コロナウイルスの拡散を説明するために人間の移動性を考慮する必要性を求めた。 ほとんどの統計モデルや疫学モデルでは、人間の移動性を符号化するデータを含む非構造化データソースを直接組み込むことはできない。 本稿では,両研究方向のトレードオフを提案し,統計回帰モデルと機械学習モデルの利点を組み合わせた新しい学習手法を提案する。
  論文  参考訳（メタデータ） (2021-01-03T16:39:00Z)
• Leveraging Administrative Data for Bias Audits: Assessing Disparate Coverage with Mobility Data for COVID-19 Policy [61.60099467888073]
  管理データのリンクによって,バイアスに対するモビリティデータの監査が可能かを示す。 我々は、高齢者や非白人の有権者が移動データによって捕えられる可能性が低いことを示した。 このような移動データに基づく公衆衛生資源の配分は、高リスク高齢者や少数民族に不当に害を与える可能性があることを示す。
  論文  参考訳（メタデータ） (2020-11-14T02:04:14Z)
• Provably Efficient Causal Reinforcement Learning with Confounded Observational Data [135.64775986546505]
  オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。 提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-22T14:49:33Z)
• A Survey on Causal Inference [64.45536158710014]
  因果推論は統計学、コンピュータ科学、教育、公共政策、経済学など、多くの分野において重要な研究トピックである。 観測データに対する様々な因果効果推定法が誕生した。
  論文  参考訳（メタデータ） (2020-02-05T21:35:29Z)

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。