論文の概要: Maximum Entropy Relaxation of Multi-Way Cardinality Constraints for Synthetic Population Generation

• arxiv url: http://arxiv.org/abs/2603.22558v1
• Date: Mon, 23 Mar 2026 20:41:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.181907
• Title: Maximum Entropy Relaxation of Multi-Way Cardinality Constraints for Synthetic Population Generation
• Title（参考訳）: 合成人口生成のためのマルチウェイ心性制約の最大エントロピー緩和
• Authors: François Pachet, Jean-Daniel Zucker,
• Abstract要約: 多くのアプリケーションは、調査、専門家の知識、または自動的に抽出された記述から導かれる異種一元論、二元論、三元論の制約と一致する必要がある。 我々は,各個体が分類的属性によって記述され,対象が属性の組み合わせに対する大域的周波数制約の集合である集団を考察する。 統計物理学の手法を基礎として,この問題の最大エントロピー緩和を提案する。
• 参考スコア（独自算出の注目度）: 0.6138671548064355
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating synthetic populations from aggregate statistics is a core component of microsimulation, agent-based modeling, policy analysis, and privacy-preserving data release. Beyond classical census marginals, many applications require matching heterogeneous unary, binary, and ternary constraints derived from surveys, expert knowledge, or automatically extracted descriptions. Constructing populations that satisfy such multi-way constraints simultaneously poses a significant computational challenge. We consider populations where each individual is described by categorical attributes and the target is a collection of global frequency constraints over attribute combinations. Exact formulations scale poorly as the number and arity of constraints increase, especially when the constraints are numerous and overlapping. Grounded in methods from statistical physics, we propose a maximum-entropy relaxation of this problem. Multi-way cardinality constraints are matched in expectation rather than exactly, yielding an exponential-family distribution over complete population assignments and a convex optimization problem over Lagrange multipliers. We evaluate the approach on NPORS-derived scaling benchmarks with 4 to 40 attributes and compare it primarily against generalized raking. The results show that MaxEnt becomes increasingly advantageous as the number of attributes and ternary interactions grows, while raking remains competitive on smaller, lower-arity instances.
• Abstract（参考訳）: 集約統計から合成人口を生成することは、マイクロシミュレーション、エージェントベースのモデリング、ポリシー分析、プライバシ保護データリリースのコアコンポーネントである。 古典的な国勢調査の限界を超えて、多くのアプリケーションは調査、専門家の知識、または自動的に抽出された記述から派生した異種一元論、二元論、三元論の制約と一致する必要がある。 このような複数方向の制約を同時に満たす集団を構成することは、重要な計算課題となる。 我々は,各個体が分類的属性によって記述され,対象が属性の組み合わせに対する大域的周波数制約の集合である集団を考察する。 厳密な定式化は、制約の数とアリティが増加するにつれて、特に制約が多数かつ重複する場合に、不十分にスケールする。 統計物理学の手法を基礎として,この問題の最大エントロピー緩和を提案する。 マルチウェイの濃度制約は正確には一致せず、完全な人口割り当て上の指数族分布とラグランジュ乗算器上の凸最適化問題をもたらす。 4～40の属性を持つ NPORS 由来のスケーリングベンチマークのアプローチを評価し, 主に一般化レイキングと比較した。 その結果、MaxEntは属性数や3次相互作用の数が増えるにつれてますます有利になり、一方、レイキングはより小さく、よりアリティの低いインスタンスで競争力を持つことが明らかとなった。

関連論文リスト

• Adaptive Sampled Softmax with Inverted Multi-Index: Methods, Theory and Applications [79.53938312089308]
  MIDX-Samplerは、逆多重インデックスアプローチに基づく新しい適応型サンプリング戦略である。 本手法は, サンプリングバイアス, 勾配バイアス, 収束速度, 一般化誤差境界などの重要な問題に対処するため, 厳密な理論的解析によって裏付けられている。
  論文  参考訳（メタデータ） (2025-01-15T04:09:21Z)
• Generalization Bounds of Surrogate Policies for Combinatorial Optimization Problems [53.03951222945921]
  我々はスムーズな(摂動された)ポリシーを解析し、線形オラクルが使用する方向に対して制御されたランダムな摂動を付加する。 我々の主な貢献は、過剰リスクを摂動バイアス、統計的推定誤差、最適化誤差に分解する一般化境界である。 車両のスケジューリングやスムーズ化がトラクタブルトレーニングと制御された一般化の両方を可能にしていることを示す。
  論文  参考訳（メタデータ） (2024-07-24T12:00:30Z)
• Statistical Advantages of Oblique Randomized Decision Trees and Forests [3.468886360466785]
  多次元モデルのフレキシブル関数クラスに対して一般化誤差境界と収束率を求める。 軸方向のモンドリアン木のリスクに対する低い境界が得られ、これらの推定子は一般リッジ関数に最適であることが証明された。
  論文  参考訳（メタデータ） (2024-07-02T17:35:22Z)
• Optimal Multi-Distribution Learning [88.3008613028333]
  マルチディストリビューション学習は、$k$の異なるデータ分散における最悪のリスクを最小限に抑える共有モデルを学ぶことを目指している。 本稿では, (d+k)/varepsilon2の順に, サンプルの複雑さを伴って, ヴァレプシロン最適ランダム化仮説を導出するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-08T16:06:29Z)
• Distributed Estimation and Inference for Semi-parametric Binary Response Models [8.309294338998539]
  本稿では,分散コンピューティング環境下での半パラメトリック二値選択モデルの最大スコア推定について検討する。 直感的な分割・対数推定器は計算コストが高く、機械数に対する非正規制約によって制限される。
  論文  参考訳（メタデータ） (2022-10-15T23:06:46Z)
• A non-asymptotic model selection in block-diagonal mixture of polynomial experts models [1.491109220586182]
  回帰モデルの未知条件密度を推定するために, ペナル化最大選択基準を導入する。 我々は、Jensen-Kullback-Leibler型損失によるペナル化極大確率で満たされる有限サンプルオラクルを含む強力な理論的保証を提供する。
  論文  参考訳（メタデータ） (2021-04-18T21:32:20Z)
• Instability, Computational Efficiency and Statistical Accuracy [101.32305022521024]
  我々は,人口レベルでのアルゴリズムの決定論的収束率と,$n$サンプルに基づく経験的対象に適用した場合の(不安定性)の間の相互作用に基づいて,統計的精度を得るフレームワークを開発する。 本稿では,ガウス混合推定,非線形回帰モデル,情報的非応答モデルなど,いくつかの具体的なモデルに対する一般結果の応用について述べる。
  論文  参考訳（メタデータ） (2020-05-22T22:30:52Z)

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。