論文の概要: GeoConformal prediction: a model-agnostic framework of measuring the uncertainty of spatial prediction

• arxiv url: http://arxiv.org/abs/2412.08661v1
• Date: Thu, 05 Dec 2024 18:40:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-15 07:33:12.761400
• Title: GeoConformal prediction: a model-agnostic framework of measuring the uncertainty of spatial prediction
• Title（参考訳）: ジオコンフォーマル予測:空間予測の不確実性を測定するためのモデルに依存しない枠組み
• Authors: Xiayin Lou, Peng Luo, Liqiu Meng,
• Abstract要約: ジオコンフォーマル予測(GeoConformal Prediction)と呼ばれるモデルに依存しない不確実性評価手法を提案する。 その結果,GeoConformalのカバレッジ率は93.67%,Bootstrapのメソッドは2000年のランニングで68.33%に留まった。 この結果から,GeoConformalは地理知識探索だけでなく,将来的なGeoAIモデルの設計の指導にも有用であることが示唆された。
• 参考スコア（独自算出の注目度）: 1.8127783865655926
• License:
• Abstract: Spatial prediction is a fundamental task in geography. In recent years, with advances in geospatial artificial intelligence (GeoAI), numerous models have been developed to improve the accuracy of geographic variable predictions. Beyond achieving higher accuracy, it is equally important to obtain predictions with uncertainty measures to enhance model credibility and support responsible spatial prediction. Although geostatistic methods like Kriging offer some level of uncertainty assessment, such as Kriging variance, these measurements are not always accurate and lack general applicability to other spatial models. To address this issue, we propose a model-agnostic uncertainty assessment method called GeoConformal Prediction, which incorporates geographical weighting into conformal prediction. We applied it to two classic spatial prediction cases, spatial regression and spatial interpolation, to evaluate its reliability. First, in the spatial regression case, we used XGBoost to predict housing prices, followed by GeoConformal to calculate uncertainty. Our results show that GeoConformal achieved a coverage rate of 93.67%, while Bootstrap methods only reached a maximum coverage of 68.33% after 2000 runs. Next, we applied GeoConformal to spatial interpolation models. We found that the uncertainty obtained from GeoConformal aligned closely with the variance in Kriging. Finally, using GeoConformal, we analyzed the sources of uncertainty in spatial prediction. We found that explicitly including local features in AI models can significantly reduce prediction uncertainty, especially in areas with strong local dependence. Our findings suggest that GeoConformal holds potential not only for geographic knowledge discovery but also for guiding the design of future GeoAI models, paving the way for more reliable and interpretable spatial prediction frameworks.
• Abstract（参考訳）: 空間予測は地理の基本的な課題である。 近年、地理空間人工知能(GeoAI)の進歩により、地理的変動予測の精度を向上させるために多くのモデルが開発されている。 精度の向上以外にも、モデルの信頼性を高め、責任ある空間予測を支援するために不確実性のある予測を得ることが重要である。 Krigingのような測地学的手法は、Kriging分散のようなある種の不確実性評価を提供するが、これらの測定は必ずしも正確ではなく、他の空間モデルに一般的な適用性がない。 この問題に対処するために,地理重み付けを共形予測に組み込んだGeoConformal Predictionと呼ばれるモデルに依存しない不確実性評価手法を提案する。 空間回帰と空間補間という2つの古典的空間予測事例に適用し,その信頼性を評価した。 まず,空間回帰の場合,XGBoostを用いて住宅価格を予測し,続いてGeoConformalを用いて不確実性を計算した。 その結果,GeoConformalのカバレッジ率は93.67%,Bootstrapのメソッドは2000年のランニングで68.33%に留まった。 次に,GeoConformalを空間補間モデルに適用した。 その結果,GeoConformalから得られた不確実性はKrigingの分散と密接に一致していることがわかった。 最後に,GeoConformalを用いて空間予測の不確実性の原因を分析した。 AIモデルに局所的特徴を明示的に含めることで、特に強い局所依存領域において、予測の不確実性を著しく低減できることがわかった。 以上の結果から,GeoConformalは,地理知識探索だけでなく,将来的なGeoAIモデルの設計の指針として,より信頼性と解釈可能な空間予測フレームワークの開発にも有効であることが示唆された。

関連論文リスト

• Geometric Feature Enhanced Knowledge Graph Embedding and Spatial Reasoning [8.561588656662419]
  Geospatial Knowledge Graphs (GeoKGs) は地理と空間関係を相互にモデル化する。 一般的な知識グラフ埋め込み(KGE)技術のような、GeoKGからの採掘と推論のための既存の手法は、認識を欠いている。 本研究の目的は,新しい戦略を開発し,空間関係の幾何学的特徴を統合することで汎用KGEを強化することである。
  論文  参考訳（メタデータ） (2024-10-24T00:53:48Z)
• Enhancing Worldwide Image Geolocation by Ensembling Satellite-Based Ground-Level Attribute Predictors [4.415977307120618]
  本稿では,GPSなどの位置情報が存在しない場合の地上画像の位置を推定することの課題について検討する。 本稿では,推定位置分布の精度を計測する新しい指標であるリコール対エリア(Recall vs Area)を紹介する。 次に,複数の情報源からの情報を組み込んだグローバルな画像位置決め手法について検討する。
  論文  参考訳（メタデータ） (2024-07-18T19:15:52Z)
• Towards physics-informed neural networks for landslide prediction [1.03590082373586]
  PINNは、一般的なプロキシ変数から地理的パラメータを明示的に取得するニューラルネットワークである。 我々のモデルは、標準感受性出力という形で優れた予測性能を生み出す。 このアーキテクチャは、他の研究で確認されれば、PINNベースの準リアルタイム予測に向けて開放される可能性がある、コサイスミックな地すべり予測に取り組むために構築されている。
  論文  参考訳（メタデータ） (2024-07-09T11:54:49Z)
• RbX: Region-based explanations of prediction models [69.3939291118954]
  領域に基づく説明(RbX)は、ブラックボックス予測モデルからスカラー出力の局所的な説明を生成するモデルに依存しない方法である。 RbXは「スパーシティ公理(sparsity axiom)」を満たすことが保証されており、予測モデルに入らない特徴は重要視されない。
  論文  参考訳（メタデータ） (2022-10-17T03:38:06Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Leveraging Selective Prediction for Reliable Image Geolocation [6.453278464902654]
  画像のローカライズ可能性、すなわち画像の位置情報への適合性を定義する。 本稿では,タスクに対処する選択的な予測手法を提案する。 非ローカライズ可能な画像の予測を控えることで、都市規模での位置情報の精度を27.8%から70.5%に改善する。
  論文  参考訳（メタデータ） (2021-11-23T15:46:12Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• CovarianceNet: Conditional Generative Model for Correct Covariance Prediction in Human Motion Prediction [71.31516599226606]
  本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。 我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
  論文  参考訳（メタデータ） (2021-09-07T09:38:24Z)
• Confidence Adaptive Anytime Pixel-Level Recognition [86.75784498879354]
  任意の時間推論は、いつでも停止される可能性のある予測の進行を行うモデルを必要とする。 我々は,任意のピクセルレベルの認識に対して,最初の統一とエンドツーエンドのモデルアプローチを提案する。
  論文  参考訳（メタデータ） (2021-04-01T20:01:57Z)
• Learnable Uncertainty under Laplace Approximations [65.24701908364383]
  我々は、予測そのものに分離された方法で不確実性を明示的に「訓練」するために形式主義を発展させる。 これらのユニットは不確実性を認識した目標によってトレーニング可能であり、標準的なラプラス近似の性能を向上させることができる。
  論文  参考訳（メタデータ） (2020-10-06T13:43:33Z)
• DeepKriging: Spatially Dependent Deep Neural Networks for Spatial Prediction [2.219504240642369]
  空間統計学において、共通の目的は、空間依存を利用して、観測されていない場所での空間過程の値を予測することである。 DeepKriging法はガウスの場合にはKrigingと直接リンクしており、非ガウスおよび非定常データに対してKrigingよりも多くの利点がある。 本手法を米国大陸におけるPM2.5濃度の予測に適用する。
  論文  参考訳（メタデータ） (2020-07-23T12:38:53Z)

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。