論文の概要: AMBIT: Augmenting Mobility Baselines with Interpretable Trees

• arxiv url: http://arxiv.org/abs/2512.22466v1
• Date: Sat, 27 Dec 2025 04:59:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.068167
• Title: AMBIT: Augmenting Mobility Baselines with Interpretable Trees
• Title（参考訳）: AMBIT: 解釈可能なツリーによるモビリティベースラインの拡張
• Authors: Qizhi Wang,
• Abstract要約: 本稿では,解釈可能な木モデルで物理運動量ベースラインを向上するフレームワークであるABBITを開発する。 まず、1時間に1回のNYCタクシーODデータセット上で、古典的な空間的相互作用モデルの包括的な監査から始める。 次に, 勾配ブースト木とSHAP解析を用いて物理ベースライン上に残差学習器を構築し, (i) 物理接地残差が, 解釈可能な構造を維持しながら強い木に基づく予測器の精度に近づき, (ii) POI アンカレッド残差は一貫して競争力を持ち, 空間一般化において最も頑健であることを示す。
• 参考スコア（独自算出の注目度）: 0.5414847001704249
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Origin-destination (OD) flow prediction remains a core task in GIS and urban analytics, yet practical deployments face two conflicting needs: high accuracy and clear interpretability. This paper develops AMBIT, a gray-box framework that augments physical mobility baselines with interpretable tree models. We begin with a comprehensive audit of classical spatial interaction models on a year-long, hourly NYC taxi OD dataset. The audit shows that most physical models are fragile at this temporal resolution; PPML gravity is the strongest physical baseline, while constrained variants improve when calibrated on full OD margins but remain notably weaker. We then build residual learners on top of physical baselines using gradient-boosted trees and SHAP analysis, demonstrating that (i) physics-grounded residuals approach the accuracy of a strong tree-based predictor while retaining interpretable structure, and (ii) POI-anchored residuals are consistently competitive and most robust under spatial generalization. We provide a reproducible pipeline, rich diagnostics, and spatial error analysis designed for urban decision-making.
• Abstract（参考訳）: 原点決定(OD)フロー予測は、GISと都市分析において依然として中心的な課題であるが、実際的な展開は、高い精度と明確な解釈可能性という2つの矛盾するニーズに直面している。 本稿では,解釈可能な木モデルで物理運動量ベースラインを向上するグレーボックスフレームワークであるABBITを開発する。 まず、1時間に1回のNYCタクシーODデータセット上で、古典的な空間的相互作用モデルの包括的な監査から始める。 PPML重力が最強の物理ベースラインであるのに対して、完全なODマージンで校正すると制限された変種は改善されるが、顕著に弱いままである。 次に、勾配ブースト木とSHAP解析を用いて、物理ベースライン上に残留学習器を構築し、それを実証する。 一 物理接地残留物は、解釈可能な構造を維持しつつ、強い木に基づく予測器の精度に近づき、 (II)POI-アンコールド残基は、空間的一般化の下で一貫して競争力があり、最も堅牢である。 都市における意思決定のために設計された再現可能なパイプライン,豊富な診断,空間的誤り解析を提供する。

関連論文リスト

• Dynamic Attention (DynAttn): Interpretable High-Dimensional Spatio-Temporal Forecasting (with Application to Conflict Fatalities) [0.0]
  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。
  論文  参考訳（メタデータ） (2025-12-24T21:47:35Z)
• The Procrustean Bed of Time Series: The Optimization Bias of Point-wise Loss [53.542743390809356]
  本稿では,最適化バイアス(EOB)の期待に関する第一原理解析を提案する。 時間列が決定論的で構造化されるほど、ポイントワイドの損失関数によるバイアスがより厳しくなる。 本稿では,DFTとDWTの両原理を同時に実現する具体的ソリューションを提案する。
  論文  参考訳（メタデータ） (2025-12-21T06:08:22Z)
• Predicting California Bearing Ratio with Ensemble and Neural Network Models: A Case Study from Turkiye [0.0]
  カリフォルニアベアリング比(カリフォルニアベアリング比、California Bearing Ratio、CBR)は、低等級土壌の載荷能力を評価するための重要な測地指標である。 伝統的なテストは、しばしば時間がかかり、コストがかかり、特に大規模または多様な土壌プロファイルにとって、実用的ではない。 人工知能、特に機械学習(ML)の最近の進歩は、より高速で精度の高い複雑な土壌の挙動をモデル化するためのデータ駆動アプローチを可能にした。 本研究では,トリキエの様々な気候地域から採取された382の土壌サンプルのデータセットを用いて,CBR予測のための総合的なMLフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-09T08:09:55Z)
• A Deep Learning Approach for Spatio-Temporal Forecasting of InSAR Ground Deformation in Eastern Ireland [2.840858735842673]
  地盤変位のモニタリングは、都市インフラと地質学的危険の軽減に不可欠である。 本稿では,スパース点計測を高密度時間テンソルに変換する新しいディープラーニングフレームワークを提案する。 その結果,提案アーキテクチャはより正確で空間的に整合性のある予測を提供することを示した。
  論文  参考訳（メタデータ） (2025-09-17T17:10:18Z)
• Migration as a Probe: A Generalizable Benchmark Framework for Specialist vs. Generalist Machine-Learned Force Fields [1.572216094651749]
  機械学習力場(MLFF)は、分子動力学スケールでのアブ初期レベルの精度を実現することによって、計算材料科学を変革している。 研究者たちは、スペシャリストモデルをスクラッチから訓練するか、ファウンデーショナリストのファンデーションモデルを使うべきか、ハイブリッドアプローチを使うべきか? 本稿では, 弾性バンドトラジェクトリを用いて診断プローブとして評価する, 欠陥マイグレーション経路を用いたベンチマークフレームワークを提案する。 微調整モデルでは、運動特性に対するゼロショットおよびゼロショットのアプローチよりも大幅に優れるが、長距離物理学の部分的な損失を示す。
  論文  参考訳（メタデータ） (2025-08-27T13:24:41Z)
• Unveiling the Basin-Like Loss Landscape in Large Language Models [64.07900377968143]
  事前学習により, テクストベース機能盆地が生成され, その後のアライメント微調整形式がテクスト固有機能盆地となることが観察された。 その結果, 逆方向の微調整がほぼ最悪の方向に進行し, モデル性能が急速に低下することが判明した。
  論文  参考訳（メタデータ） (2025-05-23T09:06:40Z)
• Learning Decision Trees as Amortized Structure Inference [59.65621207449269]
  本稿では,予測決定木アンサンブルを学習するためのハイブリッドアモータイズされた構造推論手法を提案する。 提案手法であるDT-GFNは,標準分類ベンチマークにおける最先端決定木やディープラーニング手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-10T07:05:07Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Layer-wise Conditioning Analysis in Exploring the Learning Dynamics of DNNs [115.35745188028169]
  条件付け解析を深層ニューラルネットワーク(DNN)に拡張し,その学習力学を解明する。 バッチ正規化(BN)はトレーニングを安定させるが、時には局所的な最小値の誤った印象を与える。 我々はBNが最適化問題の階層的条件付けを改善することを実験的に観察した。
  論文  参考訳（メタデータ） (2020-02-25T11:40:27Z)

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。