論文の概要: CausalMob: Causal Human Mobility Prediction with LLMs-derived Human Intentions toward Public Events

• arxiv url: http://arxiv.org/abs/2412.02155v1
• Date: Tue, 03 Dec 2024 04:29:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:50:50.876739
• Title: CausalMob: Causal Human Mobility Prediction with LLMs-derived Human Intentions toward Public Events
• Title（参考訳）: CausalMob: LLMによる公共イベントへの人間意図による因果的人間移動予測
• Authors: Xiaojie Yang, Hangli Ge, Jiawei Wang, Zipei Fan, Renhe Jiang, Ryosuke Shibasaki, Noboru Koshizuka,
• Abstract要約: 我々は、公的な出来事の因果的影響を分析するために、textbfCausalMobと呼ばれる因果予測モデルを提案する。 まず,大言語モデル(LLM)を用いて,ニュース記事から人間の意図を抽出し,因果治療として機能する特徴に変換する。 大規模な実世界のデータに基づいて,提案モデルが人間の移動予測に優れていることを示す実験結果を得た。
• 参考スコア（独自算出の注目度）: 13.839692239149889
• License:
• Abstract: Large-scale human mobility exhibits spatial and temporal patterns that can assist policymakers in decision making. Although traditional prediction models attempt to capture these patterns, they often interfered by non-periodic public events, such as disasters and occasional celebrations. Since regular human mobility patterns are heavily affected by these events, estimating their causal effects is critical to accurate mobility predictions. Although news articles provide unique perspectives on these events in an unstructured format, processing is a challenge. In this study, we propose a causality-augmented prediction model, called \textbf{CausalMob}, to analyze the causal effects of public events. We first utilize large language models (LLMs) to extract human intentions from news articles and transform them into features that act as causal treatments. Next, the model learns representations of spatio-temporal regional covariates from multiple data sources to serve as confounders for causal inference. Finally, we present a causal effect estimation framework to ensure event features remain independent of confounders during prediction. Based on large-scale real-world data, the experimental results show that the proposed model excels in human mobility prediction, outperforming state-of-the-art models.
• Abstract（参考訳）: 大規模な人体移動は、意思決定において政策立案者を支援する空間的および時間的パターンを示す。 伝統的な予測モデルはこれらのパターンを捉えようとするが、災害や時折の祝賀のような非周期的な公共イベントによってしばしば妨げられる。 通常の人間の移動パターンはこれらの事象に大きく影響しているため、その因果効果を推定することは正確な移動予測にとって重要である。 ニュース記事は、これらのイベントについて、構造化されていない形式でユニークな視点を提供するが、処理は困難である。 本研究では,公共イベントの因果的影響を分析するための因果予測モデルである「textbf{CausalMob}」を提案する。 まず,大言語モデル(LLM)を用いて,ニュース記事から人間の意図を抽出し,因果治療として機能する特徴に変換する。 次に、複数のデータソースから時空間的共変の表現を学習し、因果推論のための共同創設者として機能する。 最後に、予測中にイベント特徴が共同創設者から独立していることを保証するための因果効果推定フレームワークを提案する。 大規模な実世界のデータに基づいて,提案モデルが人間の移動性予測に優れ,最先端のモデルよりも優れていることを示す。

関連論文リスト

• A deep causal inference model for fully-interpretable travel behaviour analysis [4.378407481656902]
  旅行行動の因果関係を明示的にモデル化するフレームワークである traveL behavIour analysis (CAROLINA) の深部CAusal infeRence mOdel について述べる。 この枠組みでは,人間の行動を予測するためのジェネレーティブ・カウンティカル・モデルを導入する。 本稿では、因果関係の解明、予測精度、政策介入の評価における提案モデルの有効性を実証する。
  論文  参考訳（メタデータ） (2024-05-02T20:06:06Z)
• Performative Time-Series Forecasting [71.18553214204978]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• Learning for Counterfactual Fairness from Observational Data [62.43249746968616]
  公正な機械学習は、人種、性別、年齢などの特定の保護された(感受性のある)属性によって記述されるある種のサブグループに対して、学習モデルのバイアスを取り除くことを目的としている。 カウンターファクトフェアネスを達成するための既存の手法の前提条件は、データに対する因果モデルの事前の人間の知識である。 本研究では,新しいフレームワークCLAIREを提案することにより,因果関係を付与せずに観測データから対実的に公正な予測を行う問題に対処する。
  論文  参考訳（メタデータ） (2023-07-17T04:08:29Z)
• Using Models Based on Cognitive Theory to Predict Human Behavior in Traffic: A Case Study [4.705182901389292]
  本研究では,ギャップ受容シナリオにおける人間の行動予測のための認知的確証のある新しいモデルの有用性について検討する。 我々は、このモデルが確立されたデータ駆動予測モデルと競合したり、さらに優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-24T14:27:00Z)
• Spatio-temporal neural structural causal models for bike flow prediction [2.991894112851257]
  自転車シェアリングシステムの基本的な問題は、自転車のフロー予測である。 近年の輸送システムにおける文脈条件の過度な強調手法が注目されている。 時空間構造因果モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-19T01:39:21Z)
• Measuring Causal Effects of Data Statistics on Language Model's `Factual' Predictions [59.284907093349425]
  大量のトレーニングデータが、最先端のNLPモデルの高性能化の大きな理由の1つである。 トレーニングデータがどのように予測に影響を及ぼすかを記述するための言語を,因果的フレームワークを通じて提供する。 我々のフレームワークは、高価なモデルの再訓練の必要性を回避し、観測データのみに基づいて因果効果を推定することができる。
  論文  参考訳（メタデータ） (2022-07-28T17:36:24Z)
• Causal Knowledge Guided Societal Event Forecasting [24.437437565689393]
  本稿では,因果効果推定をイベント予測に組み込むディープラーニングフレームワークを提案する。 機能再重み付けモジュールと近似損失を含む2つの頑健な学習モジュールを導入し、事前の知識注入を可能にする。
  論文  参考訳（メタデータ） (2021-12-10T17:41:02Z)
• Event-Related Bias Removal for Real-time Disaster Events [67.2965372987723]
  ソーシャルメディアは、自然災害や大量攻撃などの危機事象に関する情報を共有する重要なツールとなっている。 有用な情報を含む実行可能なポストを検出するには、大量のデータをリアルタイムに高速に分析する必要がある。 我々は、潜在事象固有のバイアスを除去し、ツイート重要度分類の性能を向上させるために、敵対的ニューラルモデルを訓練する。
  論文  参考訳（メタデータ） (2020-11-02T02:03:07Z)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)
• A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
  ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。 また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
  論文  参考訳（メタデータ） (2020-06-08T19:24:54Z)

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。