論文の概要: Causal Discovery and Inference towards Urban Elements and Associated Factors

• arxiv url: http://arxiv.org/abs/2503.06395v1
• Date: Sun, 09 Mar 2025 02:15:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:49:44.048650
• Title: Causal Discovery and Inference towards Urban Elements and Associated Factors
• Title（参考訳）: 都市要素の因果発見と推定とその関連要因
• Authors: Tao Feng, Yunke Zhang, Xiaochen Fan, Huandong Wang, Yong Li,
• Abstract要約: 本稿では, 因果関係の包括的解明を目的とした新しい都市因果計算フレームワークを提案する。 特に、潜在的な因果グラフを発見するための強化学習アルゴリズムを設計する。 下流都市におけるモビリティ予測タスクにおける因果効果の意義レベルを活用する。
• 参考スコア（独自算出の注目度）: 13.459451482410072
• License:
• Abstract: To uncover the city's fundamental functioning mechanisms, it is important to acquire a deep understanding of complicated relationships among citizens, location, and mobility behaviors. Previous research studies have applied direct correlation analysis to investigate such relationships. Nevertheless, due to the ubiquitous confounding effects, empirical correlation analysis may not accurately reflect underlying causal relationships among basic urban elements. In this paper, we propose a novel urban causal computing framework to comprehensively explore causalities and confounding effects among a variety of factors across different types of urban elements. In particular, we design a reinforcement learning algorithm to discover the potential causal graph, which depicts the causal relations between urban factors. The causal graph further serves as the guidance for estimating causal effects between pair-wise urban factors by propensity score matching. After removing the confounding effects from correlations, we leverage significance levels of causal effects in downstream urban mobility prediction tasks. Experimental studies on open-source urban datasets show that the discovered causal graph demonstrates a hierarchical structure, where citizens affect locations, and they both cause changes in urban mobility behaviors. Experimental results in urban mobility prediction tasks further show that the proposed method can effectively reduce confounding effects and enhance performance of urban computing tasks.
• Abstract（参考訳）: 市の基本的な機能メカニズムを明らかにするためには、市民、場所、移動行動の複雑な関係を深く理解することが重要である。 従来, 直接相関分析を応用した研究が盛んに行われている。 それにもかかわらず、ユビキタスな境界効果のため、経験的相関分析は基礎都市要素間の因果関係を正確に反映しない可能性がある。 本稿では,都市要素の種類によって異なる要因間の因果関係と共起効果を包括的に探求する新しい都市因果関係計算フレームワークを提案する。 特に,都市要因間の因果関係を示す潜在的な因果グラフを発見するための強化学習アルゴリズムを設計する。 さらに、因果グラフは、対都会の要因間の因果効果を確率スコアマッチングによって推定するためのガイダンスとして機能する。 相関関係から共起効果を取り除いた後、下流都市における移動予測課題における因果効果の意義を活用できる。 オープンソースの都市データセットに関する実験的研究によると、発見された因果グラフは、市民が場所に影響を与える階層構造を示し、どちらも都市移動行動の変化を引き起こす。 さらに, 都市移動予測タスクの実験結果から, 提案手法は, 共起効果を効果的に低減し, 都市コンピューティングタスクの性能を向上させることができることを示した。

関連論文リスト

• Four Guiding Principles for Modeling Causal Domain Knowledge: A Case Study on Brainstorming Approaches for Urban Blight Analysis [1.689787234867583]
  因果的ドメイン知識を効果的にモデル化するための4つのルールを導入することにより、都市性ブライトの分析におけるドメイン知識の統合を改善する。 本研究は, 都市景観分析のために開発された認知地図を調査し, 因果モデルガイドラインから有意な逸脱が認められた。
  論文  参考訳（メタデータ） (2024-12-03T11:49:34Z)
• Hypothesizing Missing Causal Variables with LLMs [55.28678224020973]
  我々は、入力が欠落変数を持つ部分因果グラフであるような新しいタスクを定式化し、出力は部分グラフを完成させるための欠落変数に関する仮説である。 原因と効果の間の媒介変数を仮説化するLLMの強い能力を示す。 また,オープンソースモデルの一部がGPT-4モデルより優れているという驚くべき結果も得られた。
  論文  参考訳（メタデータ） (2024-09-04T10:37:44Z)
• From Pre-training Corpora to Large Language Models: What Factors Influence LLM Performance in Causal Discovery Tasks? [51.42906577386907]
  本研究では,因果発見タスクにおけるLarge Language Models(LLM)の性能に影響を与える要因について検討する。 因果関係の頻度が高いことは、より良いモデル性能と相関し、トレーニング中に因果関係の情報に広範囲に暴露することで、因果関係の発見能力を高めることを示唆している。
  論文  参考訳（メタデータ） (2024-07-29T01:45:05Z)
• ML4EJ: Decoding the Role of Urban Features in Shaping Environmental Injustice Using Interpretable Machine Learning [1.616733806935934]
  本研究は, 大気汚染, 都市熱, 洪水の3つの主要な危険因子の曝露格差に対する各種都市特性の影響を解析するために, 解釈可能な機械学習モデルを構築した。 この性能は、都市の特徴の変化が環境の危険度にどの程度の違いがあるかを測定するために用いられる。 本研究から得られた知見は, 都市の特徴と環境リスク曝露格差との相互作用について, 新たな視点を与えるものである。
  論文  参考訳（メタデータ） (2023-10-03T22:48:58Z)
• Using machine learning to understand causal relationships between urban form and travel CO2 emissions across continents [9.204800002382044]
  都会形態が過去の研究で無視されていた旅行エミッションや施設間効果に有意な因果関係が認められた。 より単心的な都市では,主中心へのアクセスの増加よりも,サブセンター指向の開発がより重要となる空間回廊を同定する。 我々の研究は、エビデンスベースの都市気候ソリューションをスケールするための因果関係、一般化可能性、文脈的特異性の必要性に対処する新しい研究を可能にする機械学習の応用を実証する。
  論文  参考訳（メタデータ） (2023-08-31T09:57:52Z)
• Causal Influences over Social Learning Networks [46.723361065955544]
  本稿では,ソーシャルグラフによってリンクされたエージェントと,時間とともに相互作用するエージェント間の因果関係について検討する。 エージェント間の全体的な影響をランク付けし、非常に影響力のあるエージェントを発見するアルゴリズムを提案する。 結果と提案アルゴリズムは,合成データと実Twitterデータの両方を考慮し,考察を行った。
  論文  参考訳（メタデータ） (2023-07-13T04:25:19Z)
• DOMINO: Visual Causal Reasoning with Time-Dependent Phenomena [59.291745595756346]
  本研究では,時間遅延のウィンドウに関連する因果関係の発見に人間が参加できる視覚分析手法を提案する。 具体的には、論理に基づく因果関係の確立した手法を活用し、分析者が潜在的な原因の重要性を検証できるようにする。 効果は他の効果の原因となりうるので,本手法で検出した時間的要因と効果の関係を視覚フロー図にまとめることができる。
  論文  参考訳（メタデータ） (2023-03-12T03:40:21Z)
• Effective Urban Region Representation Learning Using Heterogeneous Urban Graph Attention Network (HUGAT) [0.0]
  都市域の表現を学習するためのヘテロジニアスな都市グラフアテンションネットワーク(HUGAT)を提案する。 ニューヨークのデータに関する我々の実験では、HUGATは最先端のすべてのモデルより優れています。
  論文  参考訳（メタデータ） (2022-02-18T04:59:20Z)
• Towards Causal Representation Learning [96.110881654479]
  機械学習とグラフィカル因果関係の2つの分野が生まれ、別々に発展した。 現在、他分野の進歩の恩恵を受けるために、クロスポリン化と両方の分野への関心が高まっている。
  論文  参考訳（メタデータ） (2021-02-22T15:26:57Z)
• Exploring Spatio-Temporal and Cross-Type Correlations for Crime Prediction [48.1813701535167]
  我々は,都市犯罪のクロスタイプと時間的相関を利用した犯罪予測を行う。 犯罪予測のための相関関係を数学的にモデル化するコヒーレントな枠組みを提案する。 犯罪予測における相関関係の重要性を理解するために、さらなる実験が行われた。
  論文  参考訳（メタデータ） (2020-01-20T00:34:53Z)

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。