論文の概要: Forecasting Japanese elections: A nonlinear machine-learning approach

• arxiv url: http://arxiv.org/abs/2606.07572v1
• Date: Tue, 26 May 2026 06:46:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 07:09:36.734923
• Title: Forecasting Japanese elections: A nonlinear machine-learning approach
• Title（参考訳）: 日本の選挙予測:非線形機械学習アプローチ
• Authors: Sota Kato, Xuan Luo, Budrul Ahsan, Asahi Obata, Takafumi Nakanishi,
• Abstract要約: 本研究では,日本語選挙の結果を予測するために,決定木とアンサンブル学習法に基づく非線形機械学習予測モデルを提案する。 本モデルでは, サンプル内およびサンプル外の両方において, LBTのモデルと比較して, 適度ながら一貫した予測精度が向上した。 これは、他国の国固有の選挙理論と組み合わせることで、より広範な国家的文脈における予測モデルの予測性能を高めることができるレプリカブルな枠組みを提供する。
• 参考スコア（独自算出の注目度）: 9.161133041079156
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite Japan being one of the world's largest advanced democracies, the development of election forecasting models for its national elections remains limited. This study introduces nonlinear machine-learning forecasting models, based on decision tree and ensemble learning methods, for predicting the outcomes of Japanese lower-house elections. To assess the methodological benefits of our approach, we replicated the theoretical framework and dataset of Lewis-Beck and Tien's (LBT) foundational statistical forecasting model for Japanese elections. Our models demonstrated moderately but consistently improved predictive accuracy compared to LBT's model in both in-sample and out-of-sample evaluations, suggesting that nonlinear algorithms offer an alternative approach to classical linear methods in capturing complex electoral dynamics. This study represents one of the earlier applications of nonlinear machine-learning techniques to single-country election forecasting. It offers a replicable framework that, when combined with the country-specific electoral theories of other nations, may enhance the predictive performance of forecasting models in broader national contexts.
• Abstract（参考訳）: 日本は世界有数の先進民主主義国だが、選挙予測モデルの開発は依然として限られている。 本研究では, 意思決定木とアンサンブル学習法に基づく非線形機械学習予測モデルを導入し, 国内選挙の結果を予測する。 提案手法の方法論的利点を評価するため,ルイス・ベックとティーンの基盤的統計予測モデル(LBT)の理論的枠組みとデータセットを再現した。 提案モデルでは, LBTモデルと比較して, サンプル内, サンプル外の両方で予測精度を適度に改善し, 非線形アルゴリズムは, 複雑な選挙力学を捉えるための古典線形手法に代替的なアプローチを提供することを示した。 本研究は, 非線形機械学習技術の1つとして, 単国選挙予測への応用について述べる。 これは、他国の国固有の選挙理論と組み合わせることで、より広範な国家的文脈における予測モデルの予測性能を高めることができるレプリカブルな枠組みを提供する。

関連論文リスト

• A Comparative Study of Demonstration Selection for Practical Large Language Models-based Next POI Prediction [15.310992304536626]
  大規模言語モデル(LLM)を用いたインコンテキスト学習(ICL)は,近年,従来の教師付きアプローチに代わる有望な代替手段として注目されている。 本稿では,大規模言語モデル(LLM)を用いて,ユーザの次の関心点(POI)を予測するためのデモ選択戦略について検討する。
  論文  参考訳（メタデータ） (2026-03-16T03:34:22Z)
• Inference-Time Selective Debiasing to Enhance Fairness in Text Classification Models [27.578390085427156]
  モデル全体の品質を高めるために設計された推論時間安全機構である選択的偏り(elective debiasing)を提案する。 潜在的なバイアスのあるモデル予測を特定し、それらを捨てる代わりに、後処理のデバイアス法であるLEACEを使ってこれらの予測からバイアスを取り除く。 エンコーダに基づく分類モデルを用いたテキスト分類データセットの実験では、選択的デバイアスは、後処理手法とデバイアス技術のパフォーマンスギャップを低減するのに役立つことが示されている。
  論文  参考訳（メタデータ） (2024-07-27T21:56:23Z)
• A step towards the integration of machine learning and classic model-based survey methods [0.0]
  従来の調査における機械学習手法の使用は依然として非常に限られている。 本稿では,これらのアルゴリズムが支持する予測器を提案する。
  論文  参考訳（メタデータ） (2024-02-12T09:43:17Z)
• In Search of Insights, Not Magic Bullets: Towards Demystification of the Model Selection Dilemma in Heterogeneous Treatment Effect Estimation [92.51773744318119]
  本稿では,異なるモデル選択基準の長所と短所を実験的に検討する。 選択戦略,候補推定器,比較に用いるデータの間には,複雑な相互作用があることを強調した。
  論文  参考訳（メタデータ） (2023-02-06T16:55:37Z)
• Planning with Diffusion for Flexible Behavior Synthesis [125.24438991142573]
  我々は、できるだけ多くの軌道最適化パイプラインをモデリング問題に折り畳むことがどう見えるか検討する。 我々の技術的アプローチの核心は、軌道を反復的にデノベーションすることで計画する拡散確率モデルにある。
  論文  参考訳（メタデータ） (2022-05-20T07:02:03Z)
• Pessimistic Q-Learning for Offline Reinforcement Learning: Towards Optimal Sample Complexity [51.476337785345436]
  有限水平マルコフ決定過程の文脈におけるQ-ラーニングの悲観的変種について検討する。 ほぼ最適サンプル複雑性を実現するために,分散再現型悲観的Q-ラーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-28T15:39:36Z)
• Product Progression: a machine learning approach to forecasting industrial upgrading [0.0]
  予測すべき重要な対象は新製品の活性化であり、木に基づくアルゴリズムは、非常に強力な自動相関ベンチマークと他の教師付きアルゴリズムの両方を明らかに上回っている。 当社のアプローチには直接的な政策上の意味があり、その国に新しい製品を導入する可能性の定量的かつ科学的に検証された指標を提供する。
  論文  参考訳（メタデータ） (2021-05-31T14:59:37Z)
• COMBO: Conservative Offline Model-Based Policy Optimization [120.55713363569845]
  ディープニューラルネットワークのような複雑なモデルによる不確実性推定は困難であり、信頼性が低い。 我々は,サポート外状態動作の値関数を正規化するモデルベースオフラインRLアルゴリズムCOMBOを開発した。 従来のオフラインモデルフリーメソッドやモデルベースメソッドと比べて、comboは一貫してパフォーマンスが良いことが分かりました。
  論文  参考訳（メタデータ） (2021-02-16T18:50:32Z)
• Control as Hybrid Inference [62.997667081978825]
  本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。 連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
  論文  参考訳（メタデータ） (2020-07-11T19:44:09Z)

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。