論文の概要: Sustainable Visions: Unsupervised Machine Learning Insights on Global Development Goals

• arxiv url: http://arxiv.org/abs/2409.12427v1
• Date: Thu, 19 Sep 2024 03:10:49 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-07 14:52:37.520861
• Title: Sustainable Visions: Unsupervised Machine Learning Insights on Global Development Goals
• Title（参考訳）: 持続可能なビジョン:グローバルな開発目標に関する教師なしの機械学習の洞察
• Authors: Alberto García-Rodríguez, Matias Núñez, Miguel Robles Pérez, Tzipe Govezensky, Rafael A. Barrio, Carlos Gershenson, Kimmo K. Kaski, Julia Tagüeña,
• Abstract要約: 国連2030アジェンダ・フォー・サステナブル・ディベロップメントは、世界的課題に取り組むための17の目標を概説している。 SDGの進歩は、地理的、文化的、社会経済的要因に大きく影響されている。 2030年までにすべての目標を達成する国はない。
• 参考スコア（独自算出の注目度）: 0.3764231189632788
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The United Nations 2030 Agenda for Sustainable Development outlines 17 goals to address global challenges. However, progress has been slower than expected and, consequently, there is a need to investigate the reasons behind this fact. In this study, we used a novel data-driven methodology to analyze data from 107 countries (2000$-$2022) using unsupervised machine learning techniques. Our analysis reveals strong positive and negative correlations between certain SDGs. The findings show that progress toward the SDGs is heavily influenced by geographical, cultural and socioeconomic factors, with no country on track to achieve all goals by 2030. This highlights the need for a region specific, systemic approach to sustainable development that acknowledges the complex interdependencies of the goals and the diverse capacities of nations. Our approach provides a robust framework for developing efficient and data-informed strategies, to promote cooperative and targeted initiatives for sustainable progress.
• Abstract（参考訳）: 国連2030アジェンダ・フォー・サステナブル・ディベロップメントは、世界的課題に取り組むための17の目標を概説している。 しかし、進捗は予想よりも遅かったため、この事実の背景にある理由を調査する必要がある。 本研究では,教師なし機械学習技術を用いて107か国(2000ドル～2022ドル)のデータを解析するために,新しいデータ駆動手法を用いた。 分析の結果,特定のSDG間には強い正と負の相関が認められた。 その結果, SDGの進展は地理的, 文化的, 社会経済的要因に大きく影響され, 2030年までにすべての目標を達成する国は存在しないことがわかった。 これは、目標の複雑な相互依存と国家の多様な能力を認める、持続可能な開発に対する地域特異的で体系的なアプローチの必要性を強調している。 弊社のアプローチは、効率的でデータインフォームドな戦略を開発するための堅牢なフレームワークを提供し、持続可能な進歩に向けた協調的かつ目標とするイニシアチブを促進する。

関連論文リスト

• The role of broadband connectivity in achieving Sustainable Development Goals (SDGs) [0.0]
  近年,SDG対策におけるブロードバンドの役割について検討している。 2030年までには、ブロードバンドのサステナビリティ研究において、4つの重要な推奨事項が達成される。
  論文  参考訳（メタデータ） (2024-10-31T00:24:32Z)
• Goal-Reaching Policy Learning from Non-Expert Observations via Effective Subgoal Guidance [46.8322564551124]
  本稿では,新たなサブゴナルガイダンス学習戦略を提案する。 拡散戦略に基づくハイレベルポリシーを開発し、適切なサブゴールをウェイポイントとして生成する。 複雑なロボットナビゲーションと操作タスクについて評価する。
  論文  参考訳（メタデータ） (2024-09-06T02:49:12Z)
• 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)
• Social Intelligence Data Infrastructure: Structuring the Present and Navigating the Future [59.78608958395464]
  私たちは、包括的な社会AI分類と480のNLPデータセットからなるデータライブラリで構成される、ソーシャルAIデータインフラストラクチャを構築しています。 インフラストラクチャにより、既存のデータセットの取り組みを分析し、異なるソーシャルインテリジェンスの観点から言語モデルのパフォーマンスを評価することができます。 多面的なデータセットの必要性、言語と文化の多様性の向上、より長期にわたる社会的状況、そして将来のソーシャルインテリジェンスデータ活動におけるよりインタラクティブなデータの必要性が示されている。
  論文  参考訳（メタデータ） (2024-02-28T00:22:42Z)
• Monitoring Sustainable Global Development Along Shared Socioeconomic Pathways [0.47725505365135473]
  共有社会経済経路(SSP)に沿って持続可能な開発を監視・定量化する手法を提案する。 数学的に派生したスコアリングアルゴリズムと 機械学習の手法です 最初の研究は有望な成果を示し、持続可能なグローバル開発監視に様々な手法を適用するための基礎を築き上げている。
  論文  参考訳（メタデータ） (2023-12-07T16:38:20Z)
• Good AI for Good: How AI Strategies of the Nordic Countries Address the Sustainable Development Goals [8.862707047517913]
  我々は10の異なる国または組織からの既存のAIレコメンデーションの分析を行う。 この分析は、これらの戦略文書がどれだけSDGを参照しているかに有意な差は示していない。 textitgenderの平等とtextitinequalityへの言及は、ガイドラインから特に欠落している。
  論文  参考訳（メタデータ） (2022-10-08T08:17:30Z)
• SustainBench: Benchmarks for Monitoring the Sustainable Development Goals with Machine Learning [63.192289553021816]
  国連持続可能な開発目標の進展は、主要な環境・社会経済指標のデータ不足によって妨げられている。 近年の機械学習の進歩により、衛星やソーシャルメディアなど、豊富な、頻繁に更新され、グローバルに利用可能なデータを活用することが可能になった。 本稿では,7個のSDGにまたがる15個のベンチマークタスクの集合であるSustainBenchを紹介する。
  論文  参考訳（メタデータ） (2021-11-08T18:59:04Z)
• Learning to Plan Optimistically: Uncertainty-Guided Deep Exploration via Latent Model Ensembles [73.15950858151594]
  本稿では,不確実な長期報酬に直面した最適化による深層探査を可能にするLOVE(Latent Optimistic Value Exploration)を提案する。 潜在世界モデルと値関数推定を組み合わせ、無限水平リターンを予測し、アンサンブルにより関連する不確実性を回復する。 連続行動空間における視覚ロボット制御タスクにLOVEを適用し、最先端や他の探査目標と比較して、平均20%以上のサンプル効率の改善を実証する。
  論文  参考訳（メタデータ） (2020-10-27T22:06:57Z)
• Pandemic Lessons -- Devising an assessment framework to analyse policies for sustainability [0.0]
  新型コロナウイルス(COVID-19)のパンデミックは、社会の一般的な社会経済的健全性を確保する上で、世界規模で持続する多次元の基本的な課題を急速に推し進めている。 これらの問題は、相互に依存した持続可能な開発目標を達成するための緊急の必要性を直接的に浮き彫りにしている。 根本原因分析手法を用いて,地域固有の下流・上流社会経済政策を活発に分析・特定するための年次評価枠組みを開発した。
  論文  参考訳（メタデータ） (2020-10-09T22:39:10Z)
• Using satellite imagery to understand and promote sustainable development [87.72561825617062]
  持続可能な開発成果を理解するために衛星画像を用いた成長する文献を合成する。 我々は、重要な人間関係の結果と、衛星画像の量の増大と解像度について、地上データの質を定量化する。 不足およびノイズの多いトレーニングデータの観点から、モデル構築に対する最近の機械学習アプローチをレビューする。
  論文  参考訳（メタデータ） (2020-09-23T05:20:00Z)

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。