論文の概要: On Predicting Sociodemographics from Mobility Signals

• arxiv url: http://arxiv.org/abs/2511.03924v1
• Date: Thu, 06 Nov 2025 00:00:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.243236
• Title: On Predicting Sociodemographics from Mobility Signals
• Title（参考訳）: 移動信号からのソシオドモグラフィーの予測について
• Authors: Ekin Uğurel, Cynthia Chen, Brian H. Y. Lee, Filipe Rodrigues,
• Abstract要約: 本稿では,高次モビリティ記述子を指向するモビリティグラフに基づいて,振る舞いを基底とした一組の高次モビリティ記述子を提案する。 これらの特徴は、旅行シーケンス、旅行モード、社会共同旅行における構造化パターンをキャプチャし、年齢、性別、収入、世帯構造の予測を大幅に改善する。 共有表現から複数の社会デマログラフ属性を共同で予測するマルチタスク学習フレームワークを開発した。
• 参考スコア（独自算出の注目度）: 5.074171068589178
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inferring sociodemographic attributes from mobility data could help transportation planners better leverage passively collected datasets, but this task remains difficult due to weak and inconsistent relationships between mobility patterns and sociodemographic traits, as well as limited generalization across contexts. We address these challenges from three angles. First, to improve predictive accuracy while retaining interpretability, we introduce a behaviorally grounded set of higher-order mobility descriptors based on directed mobility graphs. These features capture structured patterns in trip sequences, travel modes, and social co-travel, and significantly improve prediction of age, gender, income, and household structure over baselines features. Second, we introduce metrics and visual diagnostic tools that encourage evenness between model confidence and accuracy, enabling planners to quantify uncertainty. Third, to improve generalization and sample efficiency, we develop a multitask learning framework that jointly predicts multiple sociodemographic attributes from a shared representation. This approach outperforms single-task models, particularly when training data are limited or when applying models across different time periods (i.e., when the test set distribution differs from the training set).
• Abstract（参考訳）: モビリティデータから社会デマログラフ特性を推定することで、輸送プランナーは受動的に収集されたデータセットをより活用することができるが、モビリティパターンと社会デマログラフ特性との弱い一貫性のない関係や、文脈を越えた限定的な一般化により、このタスクは依然として困難である。 これらの課題を3つの角度から解決する。 まず、解釈可能性を維持しながら予測精度を向上させるために、有向モビリティグラフに基づく高階モビリティ記述子群を振舞い基礎として導入する。 これらの特徴は、旅行シーケンス、旅行モード、社会共同旅行における構造化パターンをキャプチャし、基本的特徴よりも年齢、性別、収入、世帯構造の予測を著しく改善する。 第2に、モデルの信頼性と精度の均一性を促進するメトリクスと視覚診断ツールを導入し、プランナーが不確実性を定量化できるようにする。 第3に、一般化とサンプル効率を改善するために、共有表現から複数の社会デマログラフ属性を共同で予測するマルチタスク学習フレームワークを開発する。 このアプローチは、トレーニングデータに制限がある場合や、異なる期間にわたってモデルを適用する場合(すなわち、テストセットの分布がトレーニングセットと異なる場合)、シングルタスクモデルよりも優れている。

関連論文リスト

• Beyond Regularity: Modeling Chaotic Mobility Patterns for Next Location Prediction [21.810140501429803]
  次のロケーション予測は、スマートシティリソースアロケーションやパーソナライズされたナビゲーションサービスといったアプリケーションに不可欠な、人間のモビリティ分析における重要なタスクである。 既存の手法では周期的な移動パターンとカオス的な移動パターンの動的不均衡に対処できず、軌道上の適応が不十分になる。 生物にインスパイアされたカオスニューラル・アテンション機構を導入し、従来の注意に適応的変動を注入し、進化する移動行動のバランスの取れた表現を可能にする。
  論文  参考訳（メタデータ） (2025-09-15T09:10:48Z)
• Training Machine Learning Models on Human Spatio-temporal Mobility Data: An Experimental Study [Experiment Paper] [0.5382679710017696]
  個人レベルの人体移動予測は、感染症のモニタリング、子供、高齢者のケアへの応用に関する重要な研究のトピックとして浮上している。 機械学習モデルをトレーニングするためのベストプラクティスを決定すること。 意味情報を明示的に含めることで、モデルが生活の個々のパターンをよりよく理解し、予測を改善することができることを示す。
  論文  参考訳（メタデータ） (2025-08-18T17:49:10Z)
• Two-Stage Representation Learning for Analyzing Movement Behavior Dynamics in People Living with Dementia [44.39545678576284]
  本研究では,認知症高齢者の在宅活動データを,2段階の自己指導型学習アプローチによって分析する。 第1段階は、時系列アクティビティを事前訓練された言語モデルによって符号化されたテキストシーケンスに変換する。 このPageRankベクトルは遅延状態遷移をキャプチャし、複雑な振る舞いデータを簡潔な形式に効果的に圧縮する。
  論文  参考訳（メタデータ） (2025-02-13T10:57:25Z)
• Exploring the Trade-off between Plausibility, Change Intensity and Adversarial Power in Counterfactual Explanations using Multi-objective Optimization [73.89239820192894]
  自動対物生成は、生成した対物インスタンスのいくつかの側面を考慮すべきである。 本稿では, 対実例生成のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2022-05-20T15:02:53Z)
• Learning from Heterogeneous Data Based on Social Interactions over Graphs [58.34060409467834]
  本研究では,個別のエージェントが異なる次元のストリーミング特徴を観察しながら分類問題の解決を目指す分散アーキテクチャを提案する。 私たちはそれを示します。 戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。 私たちはそれを示します。 戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
  論文  参考訳（メタデータ） (2021-12-17T12:47:18Z)
• Towards Robust and Adaptive Motion Forecasting: A Causal Representation Perspective [72.55093886515824]
  本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。 我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。 合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2021-11-29T18:59:09Z)
• Refining Neural Networks with Compositional Explanations [31.84868477264624]
  本稿では,モデルの失敗事例に関する人為的な構成説明を収集し,学習モデルの改良を提案する。 提案手法が2つのテキスト分類タスクに有効であることを示す。
  論文  参考訳（メタデータ） (2021-03-18T17:48:54Z)
• Hyperbolic Graph Embedding with Enhanced Semi-Implicit Variational Inference [48.63194907060615]
  半単純グラフ変分自動エンコーダを用いて,低次元グラフ潜在表現における高次統計量を取得する。 我々は、階層構造を示すグラフを効率的に表現するために、ポインケア埋め込みを通して潜在空間に双曲幾何学を組み込む。
  論文  参考訳（メタデータ） (2020-10-31T05:48:34Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)
• Learning What Makes a Difference from Counterfactual Examples and Gradient Supervision [57.14468881854616]
  ニューラルネットワークの一般化能力を改善するための補助的学習目標を提案する。 我々は、異なるラベルを持つ最小差の例のペア、すなわち反ファクトまたはコントラストの例を使用し、タスクの根底にある因果構造を示す信号を与える。 このテクニックで訓練されたモデルは、配布外テストセットのパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2020-04-20T02:47:49Z)

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。