論文の概要: PASM: Population Adaptive Symbolic Mixture-of-Experts Model for Cross-location Hurricane Evacuation Decision Prediction

• arxiv url: http://arxiv.org/abs/2604.00074v1
• Date: Tue, 31 Mar 2026 14:34:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.666303
• Title: PASM: Population Adaptive Symbolic Mixture-of-Experts Model for Cross-location Hurricane Evacuation Decision Prediction
• Title（参考訳）: PASM:クロスロケーションハリケーン避難予測のための人口適応型記号混合実験モデル
• Authors: Xiao Qian, Shangjia Dong,
• Abstract要約: ある地域で訓練されたモデルは、しばしば他の場所で失敗する。 本稿では,大言語モデルで導出される記号的回帰と,経験的混合アーキテクチャを組み合わせたPopulation-Adaptive Mixture-of-Experts (PASM)を提案する。 Hurricanes Harvey と Irma では、XGBoost (0.404)、TabPFN (0.333)、GPT-5-mini (0.434)、メタラーニングベースライン MAML と Prototypeal Networks と比較すると、Matthews の相関係数は 0.607 である。
• 参考スコア（独自算出の注目度）: 1.503974529275767
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate prediction of evacuation behavior is critical for disaster preparedness, yet models trained in one region often fail elsewhere. Using a multi-state hurricane evacuation survey, we show this failure goes beyond feature distribution shift: households with similar characteristics follow systematically different decision patterns across states. As a result, single global models overfit dominant responses, misrepresent vulnerable subpopulations, and generalize poorly across locations. We propose Population-Adaptive Symbolic Mixture-of-Experts (PASM), which pairs large language model guided symbolic regression with a mixture-of-experts architecture. PASM discovers human-readable closed-form decision rules, specializes them to data-driven subpopulations, and routes each input to the appropriate expert at inference time. On Hurricanes Harvey and Irma data, transferring from Florida and Texas to Georgia with 100 calibration samples, PASM achieves a Matthews correlation coefficient of 0.607, compared to XGBoost (0.404), TabPFN (0.333), GPT-5-mini (0.434), and meta-learning baselines MAML and Prototypical Networks (MCC $\leq$ 0.346). The routing mechanism assigns distinct formula archetypes to subpopulations, so the resulting behavioral profiles are directly interpretable. A fairness audit across four demographic axes finds no statistically significant disparities after Bonferroni correction. PASM closes more than half the cross-location generalization gap while keeping decision rules transparent enough for real-world emergency planning.
• Abstract（参考訳）: 避難行動の正確な予測は、災害に備える上で重要であるが、ある地域で訓練されたモデルは、他の場所で失敗することが多い。 マルチステートハリケーン避難調査を用いて、この障害は特徴分布シフトを超えており、同様の特徴を持つ世帯は、州全体で体系的に異なる決定パターンに従う。 その結果、単一グローバルモデルは支配的な応答に過度に適合し、脆弱なサブポピュレーションを誤って表現し、場所をまたいだ一般化が不十分である。 本稿では,大言語モデルで導出される記号回帰と,実験の混合アーキテクチャを組み合わせた,適応型記号混合(PASM)を提案する。 PASMは、人間の読みやすいクローズドフォーム決定ルールを発見し、データを駆動するサブポピュレーションに特化し、推論時に各入力を適切な専門家にルーティングする。 Hurricanes Harvey と Irma のデータによると、フロリダとテキサスからジョージアへ100の校正サンプルで転送すると、PASM は XGBoost (0.404)、TabPFN (0.333)、GPT-5-mini (0.434)、メタラーニングベースライン MAML と Prototypeal Networks (MCC $\leq$ 0.346) と比較して Matthews の相関係数 0.607 に達する。 ルーティング機構は、異なる公式アーチタイプをサブポピュレーションに割り当てるので、結果として生じる行動プロファイルは直接解釈可能である。 4つの人口動態軸の公平性監査は、ボンフェロニ補正後の統計的に有意な差を見出さない。 PASMはクロスロケーションの一般化ギャップの半分以上を埋め、現実の緊急計画に十分な決定ルールを透明に保ちます。

関連論文リスト

• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• The Statistical Fairness-Accuracy Frontier [50.323024516295725]
  機械学習モデルは正確性と公平さのバランスをとる必要があるが、これらの目標はしばしば矛盾する。 このトレードオフを理解するための有用なツールとしてフェアネス・精度フロンティアがあり、フェアネスと精度の両方で同時に改善できないモデルの集合を特徴付ける。 本研究では, 有限サンプル体制におけるFAフロンティアについて検討し, 人口の減少と, 最悪のケースギャップの定量化について検討した。
  論文  参考訳（メタデータ） (2025-08-25T03:01:35Z)
• User Trajectory Prediction Unifying Global and Local Temporal Information [7.006928020730215]
  マルチ層パーセプトロン(MLP)、マルチスケール畳み込みニューラルネットワーク(MSCNN)、クロスアテンション(CA)に基づく軌道予測モデルを提案する。 実験の結果,12ステップの予測では平均二乗誤差(MSE)が5.04%減少し,平均絶対誤差(MAE)が4.35%減少した。
  論文  参考訳（メタデータ） (2025-08-04T08:03:01Z)
• Disentangled Feature Importance [0.0]
  本稿では,古典的$R2$分解の非パラメトリックな一般化であるemphDisentangled Feature Importance (DFI)を紹介する。 DFIは, 相関歪みを排除したトランスポートマップを用いて, 独立潜伏変数に相関した特徴を持つ。 DFIは、潜在加法モデルに対する総予測変数に匹敵する重要度スコアの原理的な分解を提供する。
  論文  参考訳（メタデータ） (2025-06-30T20:54:48Z)
• Reducing Spurious Correlation for Federated Domain Generalization [15.864230656989854]
  オープンワールドのシナリオでは、グローバルモデルは特定のメディアによってキャプチャされた全く新しいドメインデータをうまく予測するのに苦労する可能性がある。 既存の手法はまだこの問題に対処するために、サンプルとラベルの間の強い統計的相関に頼っている。 ローカルレベルとグローバルレベルでの全体的な最適化フレームワークであるFedCDを紹介します。
  論文  参考訳（メタデータ） (2024-07-27T05:06:31Z)
• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• Less is More: Fewer Interpretable Region via Submodular Subset Selection [54.07758302264416]
  本稿では,上述の画像帰属問題を部分モジュラ部分選択問題として再モデル化する。 我々は、より正確な小さな解釈領域を発見するために、新しい部分モジュラー関数を構築する。 正しく予測されたサンプルに対しては,HSIC-Attributionに対する平均4.9%と2.5%の利得で,Deletion and Insertionスコアを改善した。
  論文  参考訳（メタデータ） (2024-02-14T13:30:02Z)
• Regression Trees for Fast and Adaptive Prediction Intervals [2.6763498831034043]
  本稿では,局所的なカバレッジ保証を伴う回帰問題に対して,予測間隔を調整するための一連の手法を提案する。 回帰木とランダムフォレストを適合度スコアでトレーニングすることで分割を作成する。 提案手法は多種多様な適合性スコアや予測設定に適用できるため,多種多様である。
  論文  参考訳（メタデータ） (2024-02-12T01:17:09Z)
• Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
  PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。 本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。 このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
  論文  参考訳（メタデータ） (2020-09-29T12:50:33Z)
• Survival Cluster Analysis [93.50540270973927]
  異なるリスクプロファイルを持つサブポピュレーションを特定するために、生存分析には未解決の必要性がある。 このニーズに対処するアプローチは、個々の成果のキャラクタリゼーションを改善する可能性が高い。
  論文  参考訳（メタデータ） (2020-02-29T22:41:21Z)

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。