論文の概要: Demo2Vec: Learning Region Embedding with Demographic Information
- arxiv url: http://arxiv.org/abs/2409.16837v1
- Date: Wed, 25 Sep 2024 11:39:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-27 04:05:48.644843
- Title: Demo2Vec: Learning Region Embedding with Demographic Information
- Title（参考訳）: Demo2Vec: デモグラフィック情報を用いた学習領域
- Authors: Ya Wen, Yulun Zhou,
- Abstract要約: 単純でアクセスが容易な人口統計データによって、最先端領域の埋め込みの質が向上することを示す。
KL分散に基づく既存のプレトレイン法は移動情報に偏りがあることが判明した。
ニューヨークとシカゴの双方の実験結果から、モビリティと収入がプレトレインデータの組み合わせで最高のものであることが示されている。
- 参考スコア（独自算出の注目度）: 0.23020018305241333
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Demographic data, such as income, education level, and employment rate, contain valuable information of urban regions, yet few studies have integrated demographic information to generate region embedding. In this study, we show how the simple and easy-to-access demographic data can improve the quality of state-of-the-art region embedding and provide better predictive performances in urban areas across three common urban tasks, namely check-in prediction, crime rate prediction, and house price prediction. We find that existing pre-train methods based on KL divergence are potentially biased towards mobility information and propose to use Jenson-Shannon divergence as a more appropriate loss function for multi-view representation learning. Experimental results from both New York and Chicago show that mobility + income is the best pre-train data combination, providing up to 10.22\% better predictive performances than existing models. Considering that mobility big data can be hardly accessible in many developing cities, we suggest geographic proximity + income to be a simple but effective data combination for region embedding pre-training.
- Abstract（参考訳）: 収入、教育水準、雇用率などのデモグラフィックデータは、都市部の貴重な情報を含んでいるが、人口統計情報を統合して地域埋め込みを生成する研究はほとんどない。
本研究では, 簡易かつ容易にアクセスできる人口統計データによって, 都市部における最先端領域の埋没の質が向上し, チェックイン予測, 犯罪率予測, 住宅価格予測の3つの共通課題にまたがる予測性能が向上することを示す。
KL偏差に基づく既存のプレトレイン法は、移動情報に偏りがある可能性があり、多視点表現学習においてより適切な損失関数としてJenson-Shannon偏差を用いることを提案する。
ニューヨークとシカゴの双方の実験結果から、モビリティと収入は、既存のモデルよりも最大10.22\%優れた予測性能を提供する、列車前データの組み合わせとして最高のものであることが示されている。
多くの発展途上国では、移動型ビッグデータがアクセスし難いことから、地域間距離+収入は、地域内埋込み事前学習のための単純かつ効果的なデータ組み合わせであると提案する。
関連論文リスト
- A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation [59.14165404728197]
我々は,分散シフト下での深層グラフ学習について,最新かつ先見的なレビューを行う。
具体的には,グラフ OOD 一般化,トレーニング時グラフ OOD 適応,テスト時グラフ OOD 適応の3つのシナリオについて述べる。
文献の理解を深めるために,提案した分類に基づく既存モデルを体系的に分類した。
論文 参考訳（メタデータ） (2024-10-25T02:39:56Z) - Explainable Hierarchical Urban Representation Learning for Commuting Flow Prediction [1.5156879440024378]
通勤フロー予測は、現実の自治体の業務に欠かせない課題である。
我々は,異なるタイプのODフローを予測するために,意味のある領域埋め込みを生成するヘテロジニアスグラフベースモデルを開発した。
提案モデルでは,一様都市構造の観点から既存モデルよりも優れた性能を示す。
論文 参考訳（メタデータ） (2024-08-27T03:30:01Z) - Network-Based Transfer Learning Helps Improve Short-Term Crime Prediction Accuracy [1.1062397685574308]
本稿では,短期犯罪予測モデルのための新しいトランスファー学習フレームワークを提案する。
提案手法は,移動データ不足のある対象都市を対象としたF1スコアを改善する。
また、F1スコアの改善は、米国の様々な種類の犯罪や多様な都市に広く浸透していることも示している。
論文 参考訳（メタデータ） (2024-06-10T00:51:20Z) - Graph Learning under Distribution Shifts: A Comprehensive Survey on
Domain Adaptation, Out-of-distribution, and Continual Learning [53.81365215811222]
グラフ学習の文脈における分布変化に対処する最新のアプローチ、戦略、洞察のレビューと要約を提供する。
既存のグラフ学習手法を,グラフ領域適応学習,グラフ配布学習,グラフ連続学習など,いくつかの重要なシナリオに分類する。
本稿では,この領域における現状を体系的に分析し,分散シフト下でのグラフ学習の可能性と今後の方向性について論じる。
論文 参考訳（メタデータ） (2024-02-26T07:52:40Z) - A graph-based multimodal framework to predict gentrification [4.429604861456339]
本稿では,トラクタと必須施設の都市ネットワークに基づくジェントリフィケーションを予測するための,グラフに基づくマルチモーダル深層学習フレームワークを提案する。
シカゴ、ニューヨーク、ロサンゼルスのデータを使って提案されたフレームワークをトレーニングし、テストする。
このモデルは平均0.9倍の精度で国勢調査水準のジェントリフィケーションを予測できる。
論文 参考訳（メタデータ） (2023-12-25T08:20:50Z) - 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) - Unified Data Management and Comprehensive Performance Evaluation for
Urban Spatial-Temporal Prediction [Experiment, Analysis & Benchmark] [78.05103666987655]
この研究は、多様な都市空間時間データセットにアクセスし活用する際の課題に対処する。
都市空間・時空間のビッグデータ用に設計された統合ストレージフォーマットであるアトミックファイルを導入し,40種類の多様なデータセットでその有効性を検証する。
多様なモデルとデータセットを使用して広範な実験を行い、パフォーマンスリーダーボードを確立し、有望な研究方向性を特定する。
論文 参考訳（メタデータ） (2023-08-24T16:20:00Z) - FairMobi-Net: A Fairness-aware Deep Learning Model for Urban Mobility
Flow Generation [2.30238915794052]
本研究では,地域間フロー予測のための,公平性を意識した新しい深層学習モデルFairMobi-Netを提案する。
本研究では,米国4都市を対象とした総合的な人体移動データを用いて,人口統計レベルでの人体フローを予測し,そのモデルの有効性を検証した。
モデルは様々な領域にわたって高い精度を維持しており、以前の公正な懸念に対処している。
論文 参考訳（メタデータ） (2023-07-20T19:56:30Z) - 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) - A fairness assessment of mobility-based COVID-19 case prediction models [0.0]
予測モデルのトレーニングに使用されるモビリティデータのバイアスが、特定の人口集団に対して不当に精度の低い予測に繋がる可能性があるという仮説を検証した。
特に、モデルは大きく、高度に教育され、富裕な若者、都市、非黒人が支配する郡を好む傾向にある。
論文 参考訳（メタデータ） (2022-10-08T03:43:51Z) - Dataset Cartography: Mapping and Diagnosing Datasets with Training
Dynamics [118.75207687144817]
我々はデータセットを特徴付け、診断するモデルベースのツールであるData Mapsを紹介した。
私たちは、トレーニング中の個々のインスタンス上でのモデルの振る舞いという、ほとんど無視された情報のソースを活用しています。
以上の結果から,データ量から品質へのフォーカスの変化は,ロバストなモデルとアウト・オブ・ディストリビューションの一般化に繋がる可能性が示唆された。
論文 参考訳（メタデータ） (2020-09-22T20:19:41Z)
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。