論文の概要: Deep Contrastive Learning for Feature Alignment: Insights from Housing-Household Relationship Inference

• arxiv url: http://arxiv.org/abs/2502.11205v1
• Date: Sun, 16 Feb 2025 17:06:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-18 14:16:33.294185
• Title: Deep Contrastive Learning for Feature Alignment: Insights from Housing-Household Relationship Inference
• Title（参考訳）: 特徴アライメントのための深いコントラスト学習:住宅・住宅関係推定からの考察
• Authors: Xiao Qian, Shangjia Dong, Rachel Davidson,
• Abstract要約: 本研究は,アメリカン・コミュニティ・サーベイ(ACS)パブリック・ユース・マイクロデータ・サンプル(PUMS)を用いて,住宅・住宅関係を推定するための深いコントラスト学習モデルを開発する。 提案手法は,2つの異なる実体間の連接関係を,対象の真理データを明示的にラベル付けせずに学習することを目的としている。
• 参考スコア（独自算出の注目度）: 0.6144680854063939
• License:
• Abstract: Housing and household characteristics are key determinants of social and economic well-being, yet our understanding of their interrelationships remains limited. This study addresses this knowledge gap by developing a deep contrastive learning (DCL) model to infer housing-household relationships using the American Community Survey (ACS) Public Use Microdata Sample (PUMS). More broadly, the proposed model is suitable for a class of problems where the goal is to learn joint relationships between two distinct entities without explicitly labeled ground truth data. Our proposed dual-encoder DCL approach leverages co-occurrence patterns in PUMS and introduces a bisect K-means clustering method to overcome the absence of ground truth labels. The dual-encoder DCL architecture is designed to handle the semantic differences between housing (building) and household (people) features while mitigating noise introduced by clustering. To validate the model, we generate a synthetic ground truth dataset and conduct comprehensive evaluations. The model further demonstrates its superior performance in capturing housing-household relationships in Delaware compared to state-of-the-art methods. A transferability test in North Carolina confirms its generalizability across diverse sociodemographic and geographic contexts. Finally, the post-hoc explainable AI analysis using SHAP values reveals that tenure status and mortgage information play a more significant role in housing-household matching than traditionally emphasized factors such as the number of persons and rooms.
• Abstract（参考訳）: 住宅と世帯の特徴は、社会的・経済的幸福の重要な要因であるが、我々の相互関係の理解は限られている。 本研究では,アメリカン・コミュニティ・サーベイ(ACS)パブリック・ユース・マイクロデータ・サンプル(PUMS)を用いて,住宅・住宅関係を推測する深層コントラッシブ・ラーニング(DCL)モデルを開発することにより,この知識ギャップに対処する。 より広範に、提案モデルは、2つの異なる実体間の共同関係を、明確にラベル付けされた基底真理データなしで学習することを目的とする一連の問題に適合する。 提案手法は, PUMSにおける共起パターンを利用して, 基底真理ラベルの欠如を克服する2次元K平均クラスタリング手法を提案する。 デュアルエンコーダDCLアーキテクチャは、住宅(建築)と世帯(人)の特徴のセマンティックな相違を解消しつつ、クラスタリングによって導入されたノイズを緩和するように設計されている。 本モデルの有効性を検証するため,合成地上真実データセットを作成し,包括的な評価を行う。 このモデルは、最先端の手法と比較して、デラウェア州における住宅と住宅の関係を捉える上で、その優れた性能を示す。 ノースカロライナのトランスファービリティテストは、様々な社会デマグラフィーおよび地理的文脈におけるその一般化性を確認している。 最後に、SHAP値を用いたポストホックなAI分析により、伝統的に強調された人や部屋の数などの要因よりも、有職状態と住宅ローン情報が住宅と住宅のマッチングにおいて重要な役割を担っていることが明らかになった。

関連論文リスト

• Comparing Fairness of Generative Mobility Models [3.699135947901772]
  本研究は、生成モビリティモデルの公平性を検証し、地理的領域にわたるモデルパフォーマンスにおいて、しばしば見落とされがちなエクイティの次元に対処する。 クラウドフローデータに基づいて構築された予測モデルは、都市構造や移動パターンを理解するのに有効である。 生成したトレースの有効性と公平性を測定することによって、公正性を評価す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） (2024-11-07T06:01:12Z)
• TrajPRed: Trajectory Prediction with Region-based Relation Learning [11.714283460714073]
  本研究では,交通現場における人的軌跡予測のための地域型関係学習パラダイムを提案する。 社会的相互作用は、グローバルな視点から、局所的な関節情報の時間的変化を関連づけることでモデル化される。 予測枠組みにおいて,マルチゴール推定と地域関係学習を統合し,2つの刺激,社会的相互作用,目標をモデル化する。
  論文  参考訳（メタデータ） (2024-04-10T12:31:43Z)
• Generalizable Heterogeneous Federated Cross-Correlation and Instance Similarity Learning [60.058083574671834]
  本稿では,新しいFCCL+,フェデレーション相関と非ターゲット蒸留との類似性学習を提案する。 不均一な問題に対しては、無関係な公開データを通信に活用する。 局所的な更新段階における破滅的な忘れ物として、FCCL+はFederated Non Target Distillationを導入している。
  論文  参考訳（メタデータ） (2023-09-28T09:32:27Z)
• Large Language Models with Controllable Working Memory [64.71038763708161]
  大規模言語モデル(LLM)は、自然言語処理(NLP)の一連のブレークスルーをもたらした。 これらのモデルをさらに切り離すのは、事前訓練中に内在する膨大な量の世界的知識だ。 モデルの世界知識が、文脈で提示された事実情報とどのように相互作用するかは、まだ解明されていない。
  論文  参考訳（メタデータ） (2022-11-09T18:58:29Z)
• Beyond Instance Discrimination: Relation-aware Contrastive Self-supervised Learning [75.46664770669949]
  本稿では,関係認識型コントラスト型自己教師型学習(ReCo)をインスタンス関係に統合するために提案する。 当社のReCoは、常に顕著なパフォーマンス改善を実現しています。
  論文  参考訳（メタデータ） (2022-11-02T03:25:28Z)
• Discriminative Supervised Subspace Learning for Cross-modal Retrieval [16.035973055257642]
  クロスモーダル検索のための識別型教師付き部分空間学習法(DS2L)を提案する。 具体的には、まず、各モダリティ内の意味構造を保存するために、共有セマンティックグラフを構築する。 次に,Hilbert-Schmidt Independence Criterion (HSIC)を導入し,特徴相似性とサンプルの意味相似性との相似性を維持する。
  論文  参考訳（メタデータ） (2022-01-26T14:27:39Z)
• Contrastive Neighborhood Alignment [81.65103777329874]
  本稿では,学習特徴のトポロジを維持するための多様体学習手法であるContrastive Neighborhood Alignment(CNA)を提案する。 対象モデルは、対照的な損失を用いて、ソース表現空間の局所構造を模倣することを目的としている。 CNAは3つのシナリオで説明される: 多様体学習、モデルが元のデータの局所的なトポロジーを次元還元された空間で維持する、モデル蒸留、小さな学生モデルがより大きな教師を模倣するために訓練される、レガシーモデル更新、より強力なモデルに置き換えられる、という3つのシナリオである。
  論文  参考訳（メタデータ） (2022-01-06T04:58:31Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Fair Representation Learning using Interpolation Enabled Disentanglement [9.043741281011304]
  a) 下流タスクに対する学習された表現の有用性を確保しつつ、公平な不整合表現を同時に学べるか、(b) 提案手法が公正かつ正確であるかどうかに関する理論的知見を提供する。 前者に対応するために,補間可能外乱を用いた公正表現学習法FRIEDを提案する。
  論文  参考訳（メタデータ） (2021-07-31T17:32:12Z)
• Accuracy on the Line: On the Strong Correlation Between Out-of-Distribution and In-Distribution Generalization [89.73665256847858]
  分布外性能は,広範囲なモデルと分布シフトに対する分布内性能と強く相関していることを示す。 具体的には,CIFAR-10 と ImageNet の変種に対する分布内分布と分布外分布性能の強い相関関係を示す。 また,CIFAR-10-Cと組織分類データセットCamelyon17-WILDSの合成分布の変化など,相関が弱いケースについても検討した。
  論文  参考訳（メタデータ） (2021-07-09T19:48:23Z)
• Learning Robust Representation for Clustering through Locality Preserving Variational Discriminative Network [16.259673823482665]
  Variational Deep Embeddingは、さまざまなクラスタリングタスクで大きな成功を収めます。 VaDEは,1)入力ノイズに弱い,2)隣接するデータポイント間の局所性情報を無視する,という2つの問題に悩まされている。 強固な埋め込み判別器と局所構造制約によりvadeを改善する共同学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-25T02:31:55Z)

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。