論文の概要: Dynamic Attention (DynAttn): Interpretable High-Dimensional Spatio-Temporal Forecasting (with Application to Conflict Fatalities)

• arxiv url: http://arxiv.org/abs/2512.21435v1
• Date: Wed, 24 Dec 2025 21:47:35 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-29 12:03:05.69504
• Title: Dynamic Attention (DynAttn): Interpretable High-Dimensional Spatio-Temporal Forecasting (with Application to Conflict Fatalities)
• Title（参考訳）: ダイナミックアテンション(DynAttn):解釈可能な高次元時空間予測(紛争死亡者への適用)
• Authors: Stefano M. Iacus, Haodong Qi, Marcello Carammia, Thomas Juneau,
• Abstract要約: DynAttnは高次元カウントプロセスのための解釈可能な動的アテンション予測フレームワークである。 透明な診断を維持しながら、予想される死傷率と超過率を多地点で予測する。 1ヶ月から12ヶ月の間、DynAttnはずっと高い予測精度を達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Forecasting conflict-related fatalities remains a central challenge in political science and policy analysis due to the sparse, bursty, and highly non-stationary nature of violence data. We introduce DynAttn, an interpretable dynamic-attention forecasting framework for high-dimensional spatio-temporal count processes. DynAttn combines rolling-window estimation, shared elastic-net feature gating, a compact weight-tied self-attention encoder, and a zero-inflated negative binomial (ZINB) likelihood. This architecture produces calibrated multi-horizon forecasts of expected casualties and exceedance probabilities, while retaining transparent diagnostics through feature gates, ablation analysis, and elasticity measures. We evaluate DynAttn using global country-level and high-resolution PRIO-grid-level conflict data from the VIEWS forecasting system, benchmarking it against established statistical and machine-learning approaches, including DynENet, LSTM, Prophet, PatchTST, and the official VIEWS baseline. Across forecast horizons from one to twelve months, DynAttn consistently achieves substantially higher predictive accuracy, with particularly large gains in sparse grid-level settings where competing models often become unstable or degrade sharply. Beyond predictive performance, DynAttn enables structured interpretation of regional conflict dynamics. In our application, cross-regional analyses show that short-run conflict persistence and spatial diffusion form the core predictive backbone, while climate stress acts either as a conditional amplifier or a primary driver depending on the conflict theater.
• Abstract（参考訳）: 紛争に関連した死者の予測は、暴力データのスパース、バースト、および非常に非定常的な性質のために、政治科学と政策分析において依然として中心的な課題である。 我々は高次元時空間カウントプロセスのための解釈可能な動的注意予測フレームワークDynAttnを紹介する。 DynAttnは、ローリングウインドウ推定、共有弾性ネット特徴ゲーティング、コンパクトな重み付き自己アテンションエンコーダ、ゼロインフレド負二項 (ZINB) の確率を組み合わせた。 このアーキテクチャは、特徴ゲート、アブレーション分析、弾性度測定を通じて透明な診断を維持しながら、予想される損失と超過確率の校正されたマルチホライゾン予測を生成する。 我々は、DynENet, LSTM, Prophet, PatchTST, および公式VIEWSベースラインを含む既存の統計的および機械学習アプローチに対して、VIEWS予測システムから、グローバルな国レベルの高解像度PRIOグリッドレベルの競合データを用いてDynAttnを評価する。 予測の地平線を1ヶ月から12ヶ月にわたって、DynAttnはずっと高い予測精度を達成する。 予測性能以外にも、DynAttnは地域紛争ダイナミクスの構造化解釈を可能にする。 本研究の適用例では,短時間のコンフリクト持続と空間拡散がコア予測バックボーンを形成しているのに対し,気候ストレスはコンフリクト劇場に依存した条件付きアンプやプライマリドライバとして機能している。

関連論文リスト

• Forecasting Fails: Unveiling Evasion Attacks in Weather Prediction Models [60.728124907335]
  本研究では,気象適応型対向摂動最適化(WAAPO)を紹介した。 WAAPOは、チャネルの間隔、空間的局所化、滑らかさの制約を取り入れ、摂動が物理的に現実的で知覚不能であることを保証することでこれを達成している。 我々の実験は、AI駆動予測モデルにおける重要な脆弱性を強調しており、初期状態への小さな摂動が大きな逸脱をもたらす可能性がある。
  論文  参考訳（メタデータ） (2025-12-09T17:20:56Z)
• Forests of Uncertaint(r)ees: Using tree-based ensembles to estimate probability distributions of future conflict [0.0]
  我々は、従来の点予測から完全な予測分布へ移行し、紛争予測の不確実性を定量化する戦略を開発する。 モデルは、最大1年前の予測において、コンフリクト履歴から派生したベンチマークスイートを一貫して上回ることができる。 我々は,計量が与えられた予測問題に対してどのように振る舞うかを理解する必要があることを強調する。
  論文  参考訳（メタデータ） (2025-12-05T23:10:16Z)
• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• Next-Generation Conflict Forecasting: Unleashing Predictive Patterns through Spatiotemporal Learning [0.0]
  本研究では、3つの異なるタイプの暴力を事前に36ヶ月予測するためのニューラルネットワークアーキテクチャを提案する。 このモデルは確率的分類と回帰タスクを共同で実行し、将来の事象の予測と予測等級を生成する。 警告システム、人道的対応計画、証拠に基づく平和構築イニシアチブのための有望なツールである。
  論文  参考訳（メタデータ） (2025-06-08T20:42:29Z)
• Beyond Patterns: Harnessing Causal Logic for Autonomous Driving Trajectory Prediction [10.21659221112514]
  本稿では、因果推論を利用して予測堅牢性、一般化、精度を向上させる新しい軌道予測フレームワークを提案する。 本研究は、軌跡予測の因果推論の可能性を強調し、ロバストな自律運転システムへの道を開くものである。
  論文  参考訳（メタデータ） (2025-05-11T05:56:07Z)
• Topology-Aware Conformal Prediction for Stream Networks [68.02503121089633]
  本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。 この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-03-06T21:21:15Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Enhancing the Robustness via Adversarial Learning and Joint Spatial-Temporal Embeddings in Traffic Forecasting [11.680589359294972]
  本稿では,ダイナミックスとロバストネスのバランスをとることの課題に対処するため,TrendGCNを提案する。 我々のモデルは、空間的(ノード的に)埋め込みと時間的(時間的に)埋め込みを同時に組み込んで、不均一な空間的・時間的畳み込みを考慮に入れている。 ステップワイドな予測エラーを独立して扱う従来のアプローチと比較して、我々のアプローチはより現実的で堅牢な予測を生み出すことができる。
  論文  参考訳（メタデータ） (2022-08-05T09:36:55Z)
• Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting [6.295157260756792]
  確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。 PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。 本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
  論文  参考訳（メタデータ） (2022-04-01T17:57:36Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。