論文の概要: Generating Spatial Synthetic Populations Using Wasserstein Generative Adversarial Network: A Case Study with EU-SILC Data for Helsinki and Thessaloniki

• arxiv url: http://arxiv.org/abs/2501.16080v1
• Date: Mon, 27 Jan 2025 14:29:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:54:16.161073
• Title: Generating Spatial Synthetic Populations Using Wasserstein Generative Adversarial Network: A Case Study with EU-SILC Data for Helsinki and Thessaloniki
• Title（参考訳）: ワッサーシュタイン生成逆数ネットワークを用いた空間合成人口の生成:ヘルシンキとテッサロニキのEU-SILCデータを用いた事例
• Authors: Vanja Falck,
• Abstract要約: EU-SILCのような国勢調査データに基づいてトレーニングされたWasserstein Generative Adversarial Networkは、堅牢な合成人口を生み出すことができる。 高品質なマイクロデータへのアクセスが増加し、合成人口への関心が高まった。 本研究は,フィンランドとギリシャのヘルシンキとテッサロニキの民族データを用いて,空間合成人口のバランスの取れた発生を探索する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Using agent-based social simulations can enhance our understanding of urban planning, public health, and economic forecasting. Realistic synthetic populations with numerous attributes strengthen these simulations. The Wasserstein Generative Adversarial Network, trained on census data like EU-SILC, can create robust synthetic populations. These methods, aided by external statistics or EU-SILC weights, generate spatial synthetic populations for agent-based models. The increased access to high-quality micro-data has sparked interest in synthetic populations, which preserve demographic profiles and analytical strength while ensuring privacy and preventing discrimination. This study uses national data from Finland and Greece for Helsinki and Thessaloniki to explore balanced spatial synthetic population generation. Results show challenges related to balancing data with or without aggregated statistics for the target population and the general under-representation of fringe profiles by deep generative methods. The latter can lead to discrimination in agent-based simulations.
• Abstract（参考訳）: エージェントベースの社会シミュレーションを利用することで、都市計画、公衆衛生、経済予測の理解を深めることができる。 多くの属性を持つ現実的な合成個体群はこれらのシミュレーションを強化する。 EU-SILCのような国勢調査データに基づいてトレーニングされたWasserstein Generative Adversarial Networkは、堅牢な合成人口を生み出すことができる。 これらの方法は、外部統計学またはEU-SILC重みによって支援され、エージェントベースモデルのための空間合成人口を生成する。 高品質なマイクロデータへのアクセスが増加し、人口統計や分析の強さを保ちながら、プライバシーを確保し、差別を防ぐ合成人口への関心が高まった。 本研究は,フィンランドとギリシャのヘルシンキとテッサロニキの民族データを用いて,空間合成人口のバランスの取れた発生を探索する。 その結果, 対象個体数に対する集計統計値とデータとのバランスと, 深層生成手法によるフロンティアプロファイルの一般的な下層表現に関する課題が示唆された。 後者はエージェントベースのシミュレーションにおける差別につながる可能性がある。

関連論文リスト

• GenSim: A General Social Simulation Platform with Large Language Model based Agents [111.00666003559324]
  我々はtextitGenSim と呼ばれる新しい大規模言語モデル (LLM) ベースのシミュレーションプラットフォームを提案する。 我々のプラットフォームは10万のエージェントをサポートし、現実世界のコンテキストで大規模人口をシミュレートする。 我々の知る限り、GenSimは汎用的で大規模で修正可能な社会シミュレーションプラットフォームに向けた最初の一歩である。
  論文  参考訳（メタデータ） (2024-10-06T05:02:23Z)
• Agentic Society: Merging skeleton from real world and texture from Large Language Model [4.740886789811429]
  本稿では,人口統計データと大規模言語モデルを利用して仮想人口を生成する新しい枠組みについて検討する。 本手法は,社会科学実験において,多様な人間の行動のシミュレーションに不可欠な多様性のあるペルソナを生産することを示す。 しかし, 評価結果から, 現在のLSMの能力に限界があるため, 統計的真理性の弱い兆候しか得られないことが示唆された。
  論文  参考訳（メタデータ） (2024-09-02T08:28:19Z)
• A multi-objective combinatorial optimisation framework for large scale hierarchical population synthesis [1.2233362977312945]
  エージェントベースのシミュレーションでは、エージェントの合成集団は個人の構造、行動、相互作用を表現するために一般的に使用される。 大規模集団合成のための多目的最適化手法を提案する。 提案手法は, 個人と世帯間の複雑な階層構造をサポートし, 大規模に拡張可能であり, 連続表復元誤差の最小化を実現する。
  論文  参考訳（メタデータ） (2024-07-03T15:01:12Z)
• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Synthetic data generation for a longitudinal cohort study -- Evaluation, method extension and reproduction of published data analysis results [0.32593385688760446]
  医療分野では、プライバシー上の懸念から個人レベルのデータへのアクセスは困難であることが多い。 有望な代替手段は、完全な合成データの生成である。 本研究では,最先端の合成データ生成手法を用いる。
  論文  参考訳（メタデータ） (2023-05-12T13:13:55Z)
• Synthpop++: A Hybrid Framework for Generating A Country-scale Synthetic Population [0.680303951699936]
  人口調査は費用がかかり、時間がかかり、プライバシーの懸念も高まる可能性がある。 SynthPop++を導入し、複数の実世界のサーベイからのデータを組み合わせて、実スケールの合成人口を生成する。 実験の結果,インドにおける様々な行政単位の人口を人工的にシミュレートできることが示唆された。
  論文  参考訳（メタデータ） (2023-04-24T17:27:56Z)
• Beyond Privacy: Navigating the Opportunities and Challenges of Synthetic Data [91.52783572568214]
  合成データは、機械学習の世界において支配的な力となり、データセットを個々のニーズに合わせて調整できる未来を約束する。 合成データのより広範な妥当性と適用のために,コミュニティが克服すべき根本的な課題について論じる。
  論文  参考訳（メタデータ） (2023-04-07T16:38:40Z)
• Copula-based transferable models for synthetic population generation [1.370096215615823]
  集団合成は、マイクロエージェントの標的集団の合成的かつ現実的な表現を生成することを含む。 従来の手法は、しばしばターゲットのサンプルに依存し、高いコストと小さなサンプルサイズのために制限に直面している。 本研究では,実験的辺縁分布のみが知られている対象個体群を対象とした合成データを生成するためのコプラに基づく新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2023-02-17T23:58:14Z)
• Representative & Fair Synthetic Data [68.8204255655161]
  公平性制約を自己監督学習プロセスに組み込むためのフレームワークを提示する。 私たちはuci成人国勢調査データセットの代表者および公正版を作成します。 我々は、代表的かつ公正な合成データを将来有望なビルディングブロックとみなし、歴史的世界ではなく、私たちが生きようとしている世界についてアルゴリズムを教える。
  論文  参考訳（メタデータ） (2021-04-07T09:19:46Z)
• Magnify Your Population: Statistical Downscaling to Augment the Spatial Resolution of Socioeconomic Census Data [48.7576911714538]
  重要社会経済的属性の詳細な推定を導出する新しい統計的ダウンスケーリング手法を提案する。 選択された社会経済変数ごとに、ランダムフォレストモデルが元の国勢調査単位に基づいて訓練され、その後、微細なグリッド化された予測を生成するために使用される。 本研究では,この手法を米国の国勢調査データに適用し,ブロック群レベルで選択された社会経済変数を,300の空間分解能のグリッドにダウンスケールする。
  論文  参考訳（メタデータ） (2020-06-23T16:52:18Z)

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。