論文の概要: Enhancing Poverty Targeting with Spatial Machine Learning: An application to Indonesia

• arxiv url: http://arxiv.org/abs/2503.04300v1
• Date: Thu, 06 Mar 2025 10:40:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-07 15:58:56.234460
• Title: Enhancing Poverty Targeting with Spatial Machine Learning: An application to Indonesia
• Title（参考訳）: 空間機械学習による貧困ターゲティングの促進 - インドネシアへの応用
• Authors: Rolando Gonzales Martinez, Mariza Cooray,
• Abstract要約: 本研究では,インドネシアにおける貧困を対象としたPMT(Proxy Means Testing)の精度を高めるために,空間機械学習を用いた。 本研究では,2016年から2020年から2021年にかけての社会福祉総合データサーベイ(DTKS)の世帯調査データを用いて,所得分布の空間的パターンを調査し,地域レベルと地域レベルの貧困クラスターを規定する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This study leverages spatial machine learning (SML) to enhance the accuracy of Proxy Means Testing (PMT) for poverty targeting in Indonesia. Conventional PMT methodologies are prone to exclusion and inclusion errors due to their inability to account for spatial dependencies and regional heterogeneity. By integrating spatial contiguity matrices, SML models mitigate these limitations, facilitating a more precise identification and comparison of geographical poverty clusters. Utilizing household survey data from the Social Welfare Integrated Data Survey (DTKS) for the periods 2016 to 2020 and 2016 to 2021, this study examines spatial patterns in income distribution and delineates poverty clusters at both provincial and district levels. Empirical findings indicate that the proposed SML approach reduces exclusion errors from 28% to 20% compared to standard machine learning models, underscoring the critical role of spatial analysis in refining machine learning-based poverty targeting. These results highlight the potential of SML to inform the design of more equitable and effective social protection policies, particularly in geographically diverse contexts. Future research can explore the applicability of spatiotemporal models and assess the generalizability of SML approaches across varying socio-economic settings.
• Abstract（参考訳）: 本研究では、空間機械学習(SML)を活用し、インドネシアにおける貧困目標のためのプロキシ平均テスト(PMT)の精度を高める。 従来のPMT手法は、空間的依存関係や地域的不均一性を考慮できないため、排他的および包含的誤りを生じやすい。 空間的連続行列を統合することにより、SMLモデルはこれらの制限を緩和し、地理的貧困クラスタのより正確な識別と比較を容易にする。 本研究では,2016年～2020年～2021年における社会福祉総合データサーベイ(DTKS)の世帯調査データを利用して,所得分布の空間的パターンを調査し,地方・地域レベルでの貧困クラスターのデライン化を図る。 実験結果から,提案手法は,機械学習に基づく貧困ターゲットの精製において,空間分析が重要な役割を担っていることを強調し,従来の機械学習モデルと比較して排他誤差を28%から20%に減らすことが示唆された。 これらの結果は、特に地理的に多様な文脈において、より公平で効果的な社会保護政策の設計を知らせるSMLの可能性を強調している。 今後の研究は、時空間モデルの適用可能性について検討し、様々な社会経済環境におけるSMLアプローチの一般化可能性を評価することができる。

関連論文リスト

• Leveraging ChatGPT's Multimodal Vision Capabilities to Rank Satellite Images by Poverty Level: Advancing Tools for Social Science Research [0.0]
  視覚能力を持つ大規模言語モデル(LLM)は、村レベルの貧困予測のために衛星画像を分析する。 ChatGPTは、貧困レベルに基づいた衛星画像を、ドメインの専門家に匹敵する精度でランク付けすることができる。
  論文  参考訳（メタデータ） (2025-01-24T14:49:00Z)
• Stability and Generalization for Distributed SGDA [70.97400503482353]
  分散SGDAのための安定性に基づく一般化分析フレームワークを提案する。 我々は, 安定性の誤差, 一般化ギャップ, 人口リスクの包括的分析を行う。 理論的結果から,一般化ギャップと最適化誤差のトレードオフが明らかになった。
  論文  参考訳（メタデータ） (2024-11-14T11:16:32Z)
• Analyzing Poverty through Intra-Annual Time-Series: A Wavelet Transform Approach [2.3213238782019316]
  ランドサット画像と夜間光データを用いて,年内EOデータを用いたEO-ML手法の評価を行った。 以上の結果から, 特定のNDVI特徴とマルチスペクトルデータの統合は, 貧困分析に有意義な洞察をもたらすことが示唆された。
  論文  参考訳（メタデータ） (2024-11-05T06:59:05Z)
• Social Debiasing for Fair Multi-modal LLMs [55.8071045346024]
  MLLM(Multi-modal Large Language Models)は、強力な視覚言語理解機能を提供する。 しかしながら、これらのモデルはトレーニングデータセットから深刻な社会的偏見を継承することが多く、人種や性別といった属性に基づいた不公平な予測につながります。 本稿では,MLLMにおける社会的バイアスの問題に対処する。i)多元的社会的概念(CMSC)を用いた包括的対実的データセットの導入,i)アンチステレオタイプデバイアス戦略(ASD)を提案する。
  論文  参考訳（メタデータ） (2024-08-13T02:08:32Z)
• GeoSEE: Regional Socio-Economic Estimation With a Large Language Model [17.31652821477571]
  大規模言語モデル(LLM)を用いた統合パイプラインを用いて,様々な社会経済指標を推定できるGeoSEEを提案する。 システムは、自然言語ベースのテキストフォーマットで選択したモジュールの結果を集約した後、コンテキスト内学習を通じてターゲットインジケータを算出する。 本手法は、教師なしコンテキストとローショットコンテキストの両方において、他の予測モデルよりも優れている。
  論文  参考訳（メタデータ） (2024-06-14T07:50:22Z)
• Chain-of-Thought Prompting for Demographic Inference with Large Multimodal Models [58.58594658683919]
  大規模マルチモーダルモデル (LMM) は、様々な研究課題において変換可能性を示している。 以上の結果から,LMMはゼロショット学習,解釈可能性,未修正入力の処理に長所があることが示唆された。 本稿では,目標外予測問題を効果的に緩和するChain-of-Thought拡張プロンプト手法を提案する。
  論文  参考訳（メタデータ） (2024-05-24T16:26:56Z)
• Leveraging Prompts in LLMs to Overcome Imbalances in Complex Educational Text Data [1.8280573037181356]
  本稿では,Large Language Models (LLMs) の可能性を探究する。 この問題は、学生の認知的エンゲージメントレベルがオープンな反応に有意な変化を示す教育分野において特に顕著である。
  論文  参考訳（メタデータ） (2024-04-28T00:24:08Z)
• Bias and Fairness in Large Language Models: A Survey [73.87651986156006]
  本稿では,大規模言語モデル(LLM)のバイアス評価と緩和手法に関する総合的な調査を行う。 まず、自然言語処理における社会的偏見と公平性の概念を統合し、形式化し、拡張する。 次に,3つの直感的な2つのバイアス評価法と1つの緩和法を提案し,文献を統一する。
  論文  参考訳（メタデータ） (2023-09-02T00:32:55Z)
• Revisiting Deep Semi-supervised Learning: An Empirical Distribution Alignment Framework and Its Generalization Bound [97.93945601881407]
  経験分布アライメントによる半教師あり学習(SLEDA)と呼ばれる深層半教師あり学習フレームワークを提案する。 ラベル付きデータに対するトレーニング誤差を最小化することにより,半教師付き学習の一般化誤差を効果的にバウンドできることを示す。 新しい枠組みと理論的境界に基づいて、Augmented Distribution Alignment Network(ADA-Net)と呼ばれるシンプルで効果的な深層半教師付き学習手法を開発した。
  論文  参考訳（メタデータ） (2022-03-13T11:59:52Z)
• Spatial machine-learning model diagnostics: a model-agnostic distance-based approach [91.62936410696409]
  本研究は,空間予測誤差プロファイル (SPEP) と空間変数重要度プロファイル (SVIP) を,新しいモデルに依存しない評価・解釈ツールとして提案する。 統計学的手法、線形モデル、ランダムフォレスト、ハイブリッドアルゴリズムのSPEPとSVIPは、顕著な差異と関連する類似性を示している。 この新しい診断ツールは空間データ科学のツールキットを充実させ、MLモデルの解釈、選択、設計を改善する可能性がある。
  論文  参考訳（メタデータ） (2021-11-13T01:50:36Z)

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。