論文の概要: FAP-CD: Fairness-Driven Age-Friendly Community Planning via Conditional Diffusion Generation

• arxiv url: http://arxiv.org/abs/2412.16699v1
• Date: Sat, 21 Dec 2024 16:57:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 15:59:18.397470
• Title: FAP-CD: Fairness-Driven Age-Friendly Community Planning via Conditional Diffusion Generation
• Title（参考訳）: FAP-CD:条件付き拡散生成によるフェアネス駆動型高齢者フレンドリーなコミュニティプランニング
• Authors: Jinlin Li, Xintong Li, Xiao Zhou,
• Abstract要約: 条件付き拡散生成(FAP-CD)によるフェアネス駆動型コミュニティプランニングの新しい枠組みを提案する。 本フレームワークは, 拡散過程における高齢者のニーズに応じて, ノイズグラフを反復精製することにより, 最適施設分布を生成する。 複数の指標にまたがる実証的な結果は、年齢に優しいニーズと地域株式のバランスをとる上で、FAP-CDの有効性を示している。
• 参考スコア（独自算出の注目度）: 15.096775608129501
• License:
• Abstract: As global populations age rapidly, incorporating age-specific considerations into urban planning has become essential to addressing the urgent demand for age-friendly built environments and ensuring sustainable urban development. However, current practices often overlook these considerations, resulting in inadequate and unevenly distributed elderly services in cities. There is a pressing need for equitable and optimized urban renewal strategies to support effective age-friendly planning. To address this challenge, we propose a novel framework, Fairness-driven Age-friendly community Planning via Conditional Diffusion generation (FAP-CD). FAP-CD leverages a conditioned graph denoising diffusion probabilistic model to learn the joint probability distribution of aging facilities and their spatial relationships at a fine-grained regional level. Our framework generates optimized facility distributions by iteratively refining noisy graphs, conditioned on the needs of the elderly during the diffusion process. Key innovations include a demand-fairness pre-training module that integrates community demand features and facility characteristics using an attention mechanism and min-max optimization, ensuring equitable service distribution across regions. Additionally, a discrete graph structure captures walkable accessibility within regional road networks, guiding model sampling. To enhance information integration, we design a graph denoising network with an attribute augmentation module and a hybrid graph message aggregation module, combining local and global node and edge information. Empirical results across multiple metrics demonstrate the effectiveness of FAP-CD in balancing age-friendly needs with regional equity, achieving an average improvement of 41% over competitive baseline models.
• Abstract（参考訳）: 世界の人口が急速に高齢化するにつれて、高齢者に優しい建築環境の緊急需要に対処し、持続可能な都市開発を確保するために、年齢差の考慮を都市計画に取り入れることが不可欠になっている。 しかし、現在の慣行はしばしばこれらの考慮を軽視し、都市部における不適切な、不均一に分散した高齢者サービスへと繋がる。 効果的な年代対応計画を支援するため、公平で最適化された都市再生戦略の必要性が高まっている。 この課題に対処するために,FAP-CD(Conditional Diffusion Generation)を用いたFairness-driven Age-Friended Community Planningを提案する。 FAP-CDは拡散確率モデルの条件付きグラフを利用して、高齢化施設の結合確率分布とその空間関係をきめ細かい領域レベルで学習する。 本フレームワークは, 拡散過程における高齢者のニーズに応じて, ノイズグラフを反復精製することにより, 最適施設分布を生成する。 主なイノベーションは、コミュニティの需要特性と設備特性をアテンション機構とmin-max最適化を使って統合し、地域間で均等なサービス分散を確保する、需要公正事前学習モジュールである。 さらに、離散グラフ構造は、地域道路網内の歩行可能なアクセシビリティを捉え、モデルサンプリングを導く。 情報統合を強化するため,属性拡張モジュールとハイブリッドグラフメッセージ集約モジュールを備えたグラフ認知ネットワークを設計し,ローカルノードとグローバルノードとエッジ情報を組み合わせた。 複数の指標にまたがる実証的な結果は、FAP-CDが年齢に優しいニーズと地域株式のバランスをとる上で有効であることを示し、競争ベースラインモデルよりも平均41%改善した。

関連論文リスト

• Fed-LDR: Federated Local Data-infused Graph Creation with Node-centric Model Refinement [6.518460105727812]
  本稿では,ノード中心モデル再定義(Fed-LDR)アルゴリズムを用いたFederated Local Data-Infused Graph Creationを提案する。 Fed-LDR は FL と Graph Convolutional Networks (GCN) を活用し、都市環境における時空間データ分析を強化する。 その結果,Fed-LDRは平均絶対誤差(MAE)が20.15,17.30,Root Mean Square Error(RMSE)が32.30,27.15であった。
  論文  参考訳（メタデータ） (2024-11-07T18:13:31Z)
• Leveraging Graph Neural Networks to Forecast Electricity Consumption [3.157383076370605]
  この研究は、従来の一般化付加モデルフレームワークを超えて、新しいアプローチを提供する。 本稿では,消費予測に適したグラフを推定する手法と,開発したモデルを評価するためのフレームワークを紹介する。 本研究は,フランス本土の地域を考慮した総合的および現実的な枠組みで,電気予測の実験を行う。
  論文  参考訳（メタデータ） (2024-08-30T15:54:50Z)
• DiffSG: A Generative Solver for Network Optimization with Diffusion Model [75.27274046562806]
  拡散生成モデルはより広い範囲の解を考えることができ、学習パラメータによるより強力な一般化を示す。 拡散生成モデルの本質的な分布学習を利用して高品質な解を学習する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-13T07:56:21Z)
• Coherent and Multi-modality Image Inpainting via Latent Space Optimization [61.99406669027195]
  PILOT(intextbfPainting vtextbfIa textbfOptextbfTimization)は、新しいテキストセマンティック中央化とテキストセマンティック保存損失に基づく最適化手法である。 本手法は,背景とのコヒーレンスを維持しつつ,ユーザが提供するプロンプトに対して高い忠実度を示す塗装領域を生成できる潜時空間を探索する。
  論文  参考訳（メタデータ） (2024-07-10T19:58:04Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Enhanced Urban Region Profiling with Adversarial Contrastive Learning [7.62909500335772]
  EUPACは、都市部埋め込みの堅牢性を高める新しいフレームワークである。 本モデルでは,領域内および領域間依存関係を保存する領域埋め込みを生成する。 実世界のデータセットの実験は、最先端の手法よりもモデルの方が優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-02T06:06:45Z)
• Unraveling the Geography of Infection Spread: Harnessing Super-Agents for Predictive Modeling [0.4527270266697462]
  ボロノイ・ダイアグラム・テッセルレーション(Voronoi Diagram tessellations)は、特定のストリートネットワークの場所に基づいて、標準のCensus Block Groupテッセルレーションより優れている。 本研究は,都市部における病気のモデリングを改良し,地理的特異性と高い計算効率を必要とするシナリオにおける公衆衛生戦略を支援する。
  論文  参考訳（メタデータ） (2023-09-13T16:13:13Z)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• Vertical Federated Learning over Cloud-RAN: Convergence Analysis and System Optimization [82.12796238714589]
  高速かつ正確なモデルアグリゲーションを実現するために,クラウド無線アクセスネットワーク(Cloud-RAN)ベースの垂直FLシステムを提案する。 アップリンクとダウンリンクの両方の伝送を考慮した垂直FLアルゴリズムの収束挙動を特徴付ける。 我々は,連続凸近似と代替凸探索に基づくシステム最適化アルゴリズムを開発した,連系トランシーバとフロントホール量子化設計によるシステム最適化フレームワークを構築した。
  論文  参考訳（メタデータ） (2023-05-04T09:26:03Z)
• Deceive D: Adaptive Pseudo Augmentation for GAN Training with Limited Data [125.7135706352493]
  GAN(Generative Adversarial Network)は、高忠実度画像を合成するために、訓練に十分なデータを必要とする。 近年の研究では、差別者の過度な適合により、限られたデータでGANを訓練することは困難であることが示されている。 本稿では,APA (Adaptive Pseudo Augmentation) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-12T18:13:45Z)

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。