論文の概要: Urban Incident Prediction with Graph Neural Networks: Integrating Government Ratings and Crowdsourced Reports

• arxiv url: http://arxiv.org/abs/2506.08740v1
• Date: Tue, 10 Jun 2025 12:37:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-11 15:11:42.457168
• Title: Urban Incident Prediction with Graph Neural Networks: Integrating Government Ratings and Crowdsourced Reports
• Title（参考訳）: グラフニューラルネットワークによる都市インシデント予測:政府評価とクラウドソースレポートの統合
• Authors: Sidhika Balachandar, Shuvom Sadhuka, Bonnie Berger, Emma Pierson, Nikhil Garg,
• Abstract要約: 本稿では,非バイアス評価データとバイアスレポートデータの両方を用いて,事象の真の潜伏状態を予測するマルチビュー多出力GNNモデルを提案する。 評価データのみを使用するモデルと比較して,本モデルが潜伏状態を予測できる実データと半合成データの両方を示す。
• 参考スコア（独自算出の注目度）: 6.4910613074559445
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph neural networks (GNNs) are widely used in urban spatiotemporal forecasting, such as predicting infrastructure problems. In this setting, government officials wish to know in which neighborhoods incidents like potholes or rodent issues occur. The true state of incidents (e.g., street conditions) for each neighborhood is observed via government inspection ratings. However, these ratings are only conducted for a sparse set of neighborhoods and incident types. We also observe the state of incidents via crowdsourced reports, which are more densely observed but may be biased due to heterogeneous reporting behavior. First, for such settings, we propose a multiview, multioutput GNN-based model that uses both unbiased rating data and biased reporting data to predict the true latent state of incidents. Second, we investigate a case study of New York City urban incidents and collect, standardize, and make publicly available a dataset of 9,615,863 crowdsourced reports and 1,041,415 government inspection ratings over 3 years and across 139 types of incidents. Finally, we show on both real and semi-synthetic data that our model can better predict the latent state compared to models that use only reporting data or models that use only rating data, especially when rating data is sparse and reports are predictive of ratings. We also quantify demographic biases in crowdsourced reporting, e.g., higher-income neighborhoods report problems at higher rates. Our analysis showcases a widely applicable approach for latent state prediction using heterogeneous, sparse, and biased data.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、インフラ問題の予測などの都市時空間予測に広く利用されている。 この環境では、政府関係者は、どん底やげっ歯類などの近所の事件がどこで起きているのかを知りたがっている。 各地区における事故の実態(例えば、街路状況)は、政府の検査評価によって観察される。 しかし、これらの評価は、地区やインシデントタイプが不足している場合にのみ実施される。 また, より密集的に観察されるが, 不均一な報告行動により偏りが生じる可能性のある, クラウドソースによる報告を通じて, 事故状況も観察する。 まず, 偏りのない評価データと偏りのある報告データを用いて, 真の潜伏状態を予測する多視点多出力GNNモデルを提案する。 第2に、ニューヨーク市の都市事件のケーススタディを調査し、9,615,863件のクラウドソースレポートと1,041,415件の政府の検査評価を3年間、および139件のインシデントに対して公開する。 最後に、レーティングデータのみを使用するモデルや、レーティングデータのみを使用するモデル、特にレーティングデータが希薄で、レーティングの予測が可能なモデルと比較して、我々のモデルが潜在状態を予測できる実データと半合成データの両方について示す。 また,クラウドソースレポートにおける人口統計バイアスの定量化も行なっている。 本分析は,不均一,スパース,偏りのあるデータを用いた潜在状態予測に広く適用可能な手法を示す。

関連論文リスト

• Graph-Based Prediction Models for Data Debiasing [6.221408085892461]
  データ収集におけるバイアスは、低レポートと過剰レポートの両方から発生し、医療と公共の安全において重大な課題を提起する。 グラフベースのOver- and Under-Reporting Debiasing (GROUD) は,真のインシデント数と関連するレポートバイアス確率を共同で推定することにより,レポートデータを排除する新しいグラフベースの最適化フレームワークである。 GROUDは、アトランタの緊急電話や新型コロナウイルスワクチンの有害事象報告を含む、挑戦的なシミュレーション実験と実世界のデータセットの両方で検証する。
  論文  参考訳（メタデータ） (2025-04-12T21:34:49Z)
• VLBiasBench: A Comprehensive Benchmark for Evaluating Bias in Large Vision-Language Model [72.13121434085116]
  我々は、LVLM(Large Vision-Language Models)におけるバイアスを評価するベンチマークであるVLBiasBenchを紹介する。 VLBiasBenchは、年齢、障害ステータス、性別、国籍、身体的外観、人種、宗教、職業、社会経済ステータスを含む9つの異なる社会バイアスのカテゴリを含むデータセットと、人種x性別と人種x社会経済ステータスの2つの交叉バイアスのカテゴリを含む。 15のオープンソースモデルと2つの高度なクローズドソースモデルに対して広範な評価を行い、これらのモデルに存在するバイアスに関する新たな洞察を得る。
  論文  参考訳（メタデータ） (2024-06-20T10:56:59Z)
• BiasBuster: a Neural Approach for Accurate Estimation of Population Statistics using Biased Location Data [6.077198822448429]
  統計的偏りは有用である場合もあるが,精度が向上しない場合が多い。 次に、人口統計と位置特性の相関を利用して、人口統計の正確な推定を行うニューラルネットワーク手法であるBiasBusterを提案する。
  論文  参考訳（メタデータ） (2024-02-17T16:16:24Z)
• The Impact of Differential Feature Under-reporting on Algorithmic Fairness [86.275300739926]
  解析的に抽出可能な差分特徴のアンダーレポーティングモデルを提案する。 そして、この種のデータバイアスがアルゴリズムの公正性に与える影響を特徴づける。 我々の結果は、実世界のデータ設定では、アンダーレポートが典型的に格差を増大させることを示している。
  論文  参考訳（メタデータ） (2024-01-16T19:16:22Z)
• A Bayesian Spatial Model to Correct Under-Reporting in Urban Crowdsourcing [1.850972250657274]
  意思決定者は、しばしば報告プロセスを通じてイベントの発生を観察する。 イベントが空間的に相関しているという事実を活用することで、この課題を克服する方法を示す。
  論文  参考訳（メタデータ） (2023-12-18T23:40:56Z)
• D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling Algorithmic Bias [57.87117733071416]
  D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。 ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。 それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
  論文  参考訳（メタデータ） (2022-08-10T03:41:48Z)
• Quantifying Spatial Under-reporting Disparities in Resident Crowdsourcing [5.701305404173138]
  我々は,外部の地中構造データを用いることなく,報告遅延を識別する手法を開発した。 この方法は、ニューヨーク市で10万件以上、シカゴで90万件以上の報告に当てはめます。
  論文  参考訳（メタデータ） (2022-04-19T02:54:16Z)
• Towards Measuring Bias in Image Classification [61.802949761385]
  畳み込みニューラルネットワーク(CNN)は、主要なコンピュータビジョンタスクの最先端技術となっている。 しかし、複雑な構造のため、その決定は産業世界の何らかの文脈での使用を制限するかを理解することは困難である。 帰属マップによるデータのバイアスを明らかにするための体系的なアプローチを提案する。
  論文  参考訳（メタデータ） (2021-07-01T10:50:39Z)
• Showing Your Work Doesn't Always Work [73.63200097493576]
  『Show Your Work: Improved Reporting of Experimental Results』では、最高の学習モデルの有効性を報告している。 解析的にそれらの推定器は偏りがあり、エラーを起こしやすい仮定を用いていることを示す。 我々は、偏見のない代替案を導き、統計的シミュレーションから経験的な証拠で主張を裏付ける。
  論文  参考訳（メタデータ） (2020-04-28T17:59:01Z)

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。