論文の概要: Surrogate Graph Partitioning for Spatial Prediction

• arxiv url: http://arxiv.org/abs/2510.07832v1
• Date: Thu, 09 Oct 2025 06:24:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.90462
• Title: Surrogate Graph Partitioning for Spatial Prediction
• Title（参考訳）: 空間予測のためのサロゲートグラフ分割
• Authors: Yuta Shikuri, Hironori Fujisawa,
• Abstract要約: 本研究では,空間セグメントを構成するグラフ分割問題を提案する。 セグメントへのデータポイントの割り当ては混合整数二次計画問題として定式化することができる。 グラフ分割の構造特性を利用する近似法を開発した。
• 参考スコア（独自算出の注目度）: 10.312968200748118
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatial prediction refers to the estimation of unobserved values from spatially distributed observations. Although recent advances have improved the capacity to model diverse observation types, adoption in practice remains limited in industries that demand interpretability. To mitigate this gap, surrogate models that explain black-box predictors provide a promising path toward interpretable decision making. In this study, we propose a graph partitioning problem to construct spatial segments that minimize the sum of within-segment variances of individual predictions. The assignment of data points to segments can be formulated as a mixed-integer quadratic programming problem. While this formulation potentially enables the identification of exact segments, its computational complexity becomes prohibitive as the number of data points increases. Motivated by this challenge, we develop an approximation scheme that leverages the structural properties of graph partitioning. Experimental results demonstrate the computational efficiency of this approximation in identifying spatial segments.
• Abstract（参考訳）: 空間予測とは、空間分布観測から観測されていない値を推定することを指す。 近年の進歩により、様々な観察タイプをモデル化する能力が向上しているが、解釈可能性を求める産業においては、実際に採用されることは限られている。 このギャップを緩和するために、ブラックボックス予測器を説明するモデルは、解釈可能な意思決定への有望な経路を提供する。 本研究では,空間セグメントを構成するグラフ分割問題を提案する。 セグメントへのデータポイントの割り当ては混合整数二次計画問題として定式化することができる。 この定式化は、正確なセグメントの特定を可能にする可能性があるが、データポイントの数が増加するにつれて、その計算複雑性は禁じられる。 この課題に触発され,グラフ分割の構造特性を活用する近似法を開発した。 実験により,空間セグメントの同定において,この近似の計算効率が示された。

関連論文リスト

• Joint Registration and Conformal Prediction for Partially Observed Functional Data [8.700521915355]
  部分的な観測関数における欠落部分の予測は、無限次元性、観測の内外における複雑な依存、不規則ノイズによって困難である。 本稿では,共形予測フレームワークに基づく部分観測関数に対する統一的な登録と予測手法を提案する。 提案手法は、慎重に構築された予測-応答ペアによる交換性を確保しつつ、登録と予測を統合する。
  論文  参考訳（メタデータ） (2025-02-20T19:42:20Z)
• Variational DAG Estimation via State Augmentation With Stochastic Permutations [16.57658783816741]
  ベイズネットワークの構造を観測データから推定することは統計的かつ計算的に難しい問題である。 確率的推論の観点から、主な課題は(i) DAG 制約を満たすグラフ上の分布を表すこと、(ii) 基礎空間上の後方を推定することである。 そこで本稿では,DAGと置換の強化空間上に共同分布を定式化することにより,これらの課題に対処するアプローチを提案する。
  論文  参考訳（メタデータ） (2024-02-04T23:51:04Z)
• Generalizing Backpropagation for Gradient-Based Interpretability [103.2998254573497]
  モデルの勾配は、半環を用いたより一般的な定式化の特別な場合であることを示す。 この観測により、バックプロパゲーションアルゴリズムを一般化し、他の解釈可能な統計を効率的に計算することができる。
  論文  参考訳（メタデータ） (2023-07-06T15:19:53Z)
• Learning to Bound Counterfactual Inference in Structural Causal Models from Observational and Randomised Data [64.96984404868411]
  我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。 新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。 反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
  論文  参考訳（メタデータ） (2022-12-06T12:42:11Z)
• Bayesian Graph Contrastive Learning [55.36652660268726]
  本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。 提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。 いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2021-12-15T01:45:32Z)
• Asymptotic Analysis of an Ensemble of Randomly Projected Linear Discriminants [94.46276668068327]
  [1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。 我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。 また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
  論文  参考訳（メタデータ） (2020-04-17T12:47:04Z)
• Spatially Adaptive Inference with Stochastic Feature Sampling and Interpolation [72.40827239394565]
  スパースサンプリングされた場所のみの機能を計算することを提案する。 次に、効率的な手順で特徴写像を密に再構築する。 提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
  論文  参考訳（メタデータ） (2020-03-19T15:36:31Z)
• A General Framework for Consistent Structured Prediction with Implicit Loss Embeddings [113.15416137912399]
  構造化予測のための理論的・アルゴリズム的な枠組みを提案し,解析する。 問題に対して適切な幾何を暗黙的に定義する、損失関数の大規模なクラスについて検討する。 出力空間を無限の濃度で扱うとき、推定子の適切な暗黙の定式化が重要であることが示される。
  論文  参考訳（メタデータ） (2020-02-13T10:30:04Z)

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。