論文の概要: Deep learning 40 years of human migration

• arxiv url: http://arxiv.org/abs/2506.22821v1
• Date: Sat, 28 Jun 2025 09:05:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.589491
• Title: Deep learning 40 years of human migration
• Title（参考訳）: 深層学習の40年
• Authors: Thomas Gaskin, Guy J. Abel,
• Abstract要約: 本研究は,230か国と地域間の原産地別年次移動フローと在庫に関する,新規かつ詳細なデータセットを提示する。 我々の流速は出生国によってさらに減少しており、過去43年間にわたる移住の全体像を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a novel and detailed dataset on origin-destination annual migration flows and stocks between 230 countries and regions, spanning the period from 1990 to the present. Our flow estimates are further disaggregated by country of birth, providing a comprehensive picture of migration over the last 43 years. The estimates are obtained by training a deep recurrent neural network to learn flow patterns from 18 covariates for all countries, including geographic, economic, cultural, societal, and political information. The recurrent architecture of the neural network means that the entire past can influence current migration patterns, allowing us to learn long-range temporal correlations. By training an ensemble of neural networks and additionally pushing uncertainty on the covariates through the trained network, we obtain confidence bounds for all our estimates, allowing researchers to pinpoint the geographic regions most in need of additional data collection. We validate our approach on various test sets of unseen data, demonstrating that it significantly outperforms traditional methods estimating five-year flows while delivering a significant increase in temporal resolution. The model is fully open source: all training data, neural network weights, and training code are made public alongside the migration estimates, providing a valuable resource for future studies of human migration.
• Abstract（参考訳）: 1990年から現在にかけての230か国・地域間における原産地別年間移動フローと在庫に関する新しい詳細なデータセットを提示する。 我々の流速は出生国によってさらに減少しており、過去43年間にわたる移住の全体像を提供する。 この推定は、地理的、経済的、文化的、社会的、政治的情報を含む18の共変量からのフローパターンを学習するために、ディープ・リカレント・ニューラルネットワークを訓練することによって得られる。 ニューラルネットワークの繰り返しアーキテクチャは、過去全体が現在のマイグレーションパターンに影響を与え、長距離時間相関を学習できることを意味します。 ニューラルネットワークのアンサンブルをトレーニングし、トレーニングされたネットワークを通じて共変量に対する不確実性をさらに押し付けることで、すべての推定値に対する信頼境界が得られます。 提案手法は, 時間分解能を著しく向上させながら, 5年間の流れを推定する従来の手法を著しく上回っていることを示す。 すべてのトレーニングデータ、ニューラルネットワークの重み付け、トレーニングコードは、マイグレーション推定とともに公開され、将来の人間のマイグレーション研究のための貴重なリソースを提供する。

関連論文リスト

• Diffusion-Based Neural Network Weights Generation [80.89706112736353]
  D2NWGは拡散に基づくニューラルネットワーク重み生成技術であり、転送学習のために高性能な重みを効率よく生成する。 本稿では,ニューラルネットワーク重み生成のための遅延拡散パラダイムを再放送するために,生成的ハイパー表現学習を拡張した。 我々のアプローチは大規模言語モデル(LLM)のような大規模アーキテクチャにスケーラブルであり、現在のパラメータ生成技術の限界を克服しています。
  論文  参考訳（メタデータ） (2024-02-28T08:34:23Z)
• Mesh-Wise Prediction of Demographic Composition from Satellite Images Using Multi-Head Convolutional Neural Network [0.0]
  本稿では,事前学習したResNet50からの伝達学習を用いたマルチヘッド畳み込みニューラルネットワークモデルを提案する。 Landsat-8/OLIとSuomi NPP/VIIRS-DNSの衛星画像の入力と人口統計をラベルとして扱う。 トレーニングされたモデルは、すべての人口構成群に対して、少なくとも0.8914 in $textR2$の試験スコアを持つテストデータセット上で実行され、2022年の非センセーション年として、推定された人口構成が生成され、可視化された。
  論文  参考訳（メタデータ） (2023-08-25T15:41:05Z)
• FairMobi-Net: A Fairness-aware Deep Learning Model for Urban Mobility Flow Generation [2.30238915794052]
  本研究では,地域間フロー予測のための,公平性を意識した新しい深層学習モデルFairMobi-Netを提案する。 本研究では,米国4都市を対象とした総合的な人体移動データを用いて,人口統計レベルでの人体フローを予測し,そのモデルの有効性を検証した。 モデルは様々な領域にわたって高い精度を維持しており、以前の公正な懸念に対処している。
  論文  参考訳（メタデータ） (2023-07-20T19:56:30Z)
• Spatial Implicit Neural Representations for Global-Scale Species Mapping [72.92028508757281]
  ある種が観察された場所の集合を考えると、その種がどこにいても存在しないかを予測するためのモデルを構築することが目的である。 従来の手法は、新たな大規模クラウドソースデータセットを活用するのに苦労している。 本研究では,47k種の地理的範囲を同時に推定するために,空間入射ニューラル表現(SINR)を用いる。
  論文  参考訳（メタデータ） (2023-06-05T03:36:01Z)
• A Double Machine Learning Trend Model for Citizen Science Data [0.0]
  本稿では, 市民科学データに共通する年次共生を制御しながら, 種数傾向を推定するための新しいモデリング手法について述べる。 このアプローチはDouble Machine Learningに基づいており、このフレームワークは、機械学習手法を使って人口変化を推定し、データに見いだされたコンバウンディングの調整に使用される確率スコアを推定する。
  論文  参考訳（メタデータ） (2022-10-27T15:08:05Z)
• The BUTTER Zone: An Empirical Study of Training Dynamics in Fully Connected Neural Networks [0.562479170374811]
  本稿では,完全接続型フィードフォワードパーセプトロンニューラルネットワークにおけるディープラーニング現象を探索する実験データセットを提案する。 データセットは、483万個の異なるハイパーパラメータ選択のエポックトレーニングと一般化性能を記録している。 各実験を平均24回繰り返すと、1100万回のトレーニングと400億回のエポックが記録された。
  論文  参考訳（メタデータ） (2022-07-25T21:45:32Z)
• Strict baselines for Covid-19 forecasting and ML perspective for USA and Russia [105.54048699217668]
  Covid-19は、2年間にわたって蓄積されたデータセットを収集し、予測分析に使用できるようにする。 本研究は、米国とロシアの2カ国の地域データに基づいて、Covid-19の拡散のダイナミクスを予測するための様々な種類の方法に関する一貫した研究結果である。
  論文  参考訳（メタデータ） (2022-07-15T18:21:36Z)
• On Generalizing Beyond Domains in Cross-Domain Continual Learning [91.56748415975683]
  ディープニューラルネットワークは、新しいタスクを学んだ後、これまで学んだ知識の破滅的な忘れ込みに悩まされることが多い。 提案手法は、ドメインシフト中の新しいタスクを精度良く学習することで、DomainNetやOfficeHomeといった挑戦的なデータセットで最大10%向上する。
  論文  参考訳（メタデータ） (2022-03-08T09:57:48Z)
• Dynamic Neural Diversification: Path to Computationally Sustainable Neural Networks [68.8204255655161]
  訓練可能なパラメータが制限された小さなニューラルネットワークは、多くの単純なタスクに対してリソース効率の高い候補となる。 学習過程において隠れた層内のニューロンの多様性を探索する。 ニューロンの多様性がモデルの予測にどのように影響するかを分析する。
  論文  参考訳（メタデータ） (2021-09-20T15:12:16Z)
• Neural Networks and Value at Risk [59.85784504799224]
  リスクしきい値推定における資産価値のモンテカルロシミュレーションを行う。 株式市場と長期債を試験資産として利用し、ニューラルネットワークについて検討する。 はるかに少ないデータでフィードされたネットワークは、大幅にパフォーマンスが悪くなっています。
  論文  参考訳（メタデータ） (2020-05-04T17:41:59Z)

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。