論文の概要: A Bayesian Framework for Evaluating Scenario Compatibility in Generative Population Synthesis

• arxiv url: http://arxiv.org/abs/2607.03190v1
• Date: Fri, 03 Jul 2026 10:50:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.549528
• Title: A Bayesian Framework for Evaluating Scenario Compatibility in Generative Population Synthesis
• Title（参考訳）: 世代別集団合成におけるシナリオ適合性評価のためのベイズ的枠組み
• Abstract要約: 本研究では,条件付き集団合成におけるシナリオ互換性を定量化するためのアンサンブルに基づくベイズ更新フレームワークを提案する。 人口適応型条件付き変分オートエンコーダを開発した。 実験により、シナリオの影響は目標の大きさだけでなく、学習された関節構造との整合にも依存することが示された。
• 参考スコア（独自算出の注目度）: 6.719751155411076
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scenario-based transportation analysis specifies future assumptions through aggregate population targets, whereas generative population synthesis models produce detailed individual-level realizations. When scenario targets are imposed on generative models, current practice relies on deterministic marginal calibration, implicitly assuming that the targets are compatible with the model's learned structural support. However, whether scenario-level constraints lie within the generative support--and how strongly they distort structural uncertainty--remains largely unexamined. We propose an ensemble-based Bayesian updating framework to quantify scenario compatibility in conditional population synthesis. A population-aware conditional variational autoencoder is developed to learn a distribution over plausible population structures while preserving aggregate fidelity. An ensemble of realizations sampled from the learned prior provides an empirical approximation of structural uncertainty. Scenario targets are treated as probabilistic evidence over aggregate statistics, and posterior weights are obtained through Bayesian updating across the ensemble. Scenario compatibility is quantified using effective sample size (ESS), which measures posterior concentration and the compression of structural uncertainty induced by conditioning. Experiments demonstrate that scenario impact depends not only on target magnitude but also on alignment with the learned joint structure, and reveal structural failure modes when targets fall outside prior ensemble support. The proposed framework provides a probabilistic diagnostic model for evaluating scenario feasibility and structural consistency before downstream projection and transportation planning.
• Abstract（参考訳）: シナリオに基づく交通分析では,人口目標による将来の仮定が明確化される一方,生成的人口合成モデルでは,詳細な個別レベルの実現が期待できる。 シナリオターゲットが生成モデルに課される場合、現在のプラクティスは決定論的境界校正に依存し、ターゲットがモデルが学習した構造的サポートと互換性があることを暗黙的に仮定する。 しかし、シナリオレベルの制約が生成支援に含まれているか、構造的不確実性を歪めているかは、ほとんど検討されていない。 本研究では,条件付き集団合成におけるシナリオ互換性を定量化するためのアンサンブルに基づくベイズ更新フレームワークを提案する。 人口適応型条件付き変分オートエンコーダを開発し、人口密度を保ちながら、可塑性な人口構造上の分布を学習する。 学習済みからサンプリングされた実現のアンサンブルは、構造的不確実性の実証的な近似を与える。 シナリオターゲットは集合統計の確率的証拠として扱われ、後部重みはアンサンブルを横断するベイジアン更新によって得られる。 シナリオ整合性は, 有効試料サイズ(ESS)を用いて定量化され, コンディショニングによって引き起こされる後部濃度と構造不確かさの圧縮を測定する。 実験により、シナリオへの影響は、目標の規模だけでなく、学習された関節構造との整合性にも依存し、目標がアンサンブルサポートの前に外れたときに構造的障害モードを明らかにする。 提案フレームワークは,下流の予測と輸送計画の前にシナリオの実現可能性と構造的整合性を評価するための確率論的診断モデルを提供する。

関連論文リスト

• AVCG: A Generalized Variational Framework for Counterfactual Generation under Hypothesis Distributions [41.99844472131922]
  対実的な説明は、望ましい代替の予測を得る入力インスタンスの変更を特定することで、"What-if"のシナリオを説明します。 伝統的に、これらのアプローチは単一の決定論的ポイント推定予測器に依存している。 本稿では,任意の仮説に対する最適化として反事実生成を形式化する一般化フレームワークであるAmortized Variational Counterfactual Generator (AVCG)を提案する。
  論文  参考訳（メタデータ） (2026-09-07T19:30:09Z)
• Orthogonal JEPA: Factorized Predictive States for Latent World Models [95.20158869896393]
  予測因数分解に基づく潜在的世界モデリングフレームワークであるメソッドを導入する。 そこで本研究では,予測構造を弱め,あるいは矛盾する勾配を抑えつつ,冗長なキャパシティを支配的信号に割り当てる手法を提案する。 制御された視覚、単細胞転写学、縦断的な健康記録、連続的な制御、分子動力学の実験は、表現品質、予測、計画、長期安定性を評価する。
  論文  参考訳（メタデータ） (2026-08-20T13:59:57Z)
• CatalyticMLLM: A Graph-Text Multimodal Large Language Model for Catalytic Materials [61.546562658308005]
  触媒材料のためのグラフテキスト多モード大言語モデルQE-Catalytic-V2を提案する。 プロパティ予測と逆設計を同じモデルと共有表現空間に統合する。 この統合フレームワークでは、QE-Catalytic-V2は信頼性の高いプロパティ予測を行うだけでなく、物理的に実現可能なCIF候補を生成し、表示することができる。
  論文  参考訳（メタデータ） (2026-05-17T04:31:46Z)
• Bridging the Gap Between Bayesian Deep Learning and Ensemble Weather Forecasts [100.26854618129039]
  天気予報は、大気のカオス的な性質によって根本的に挑戦されている。 ベイジアンディープラーニング(BDL)の最近の進歩は、有望だがしばしば非接続な代替手段を提供する。 気象予報のための統合型BDLフレームワークにより,これらのパラダイムを橋渡しする。
  論文  参考訳（メタデータ） (2025-11-18T07:49:52Z)
• Km-scale dynamical downscaling through conformalized latent diffusion models [45.94979929172337]
  高分解能気象場を粗大なシミュレーションから導き出すためには, 動的ダウンスケーリングが不可欠である。 Generative Diffusion Model(DM)は、最近、このタスクのための強力なデータ駆動ツールとして登場した。 しかし、DMは過信予測に対する有限サンプル保証を欠いているため、グリッドポイントレベルの不確実性推定が誤って行われる。 我々は、コンフォーマルな予測フレームワークでダウンスケーリングパイプラインを拡張することで、この問題に対処する。
  論文  参考訳（メタデータ） (2025-10-15T08:41:36Z)
• Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
  将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。 本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-18T21:14:07Z)
• Conformalized Regression for Continuous Bounded Outcomes [0.0]
  境界付き連続的な結果の回帰問題は、実世界の統計学や機械学習の応用においてしばしば発生する。 既存の統計学および機械学習の文献の多くは、境界値の点予測や近似に基づく区間予測に重点を置いている。 我々は変換モデルとベータ回帰に基づく有界な結果に対する共形予測区間を開発する。
  論文  参考訳（メタデータ） (2025-07-18T15:51:48Z)
• JAPAN: Joint Adaptive Prediction Areas with Normalising-Flows [7.200880964149064]
  コンフォーマル予測は、有限サンプルの妥当性を保証する不確実性定量化のためのモデルに依存しないフレームワークを提供する。 既存のアプローチは通常、幾何的制約を課す残差ベースの整合性スコアに依存する。 本稿では,密度に基づく適合度スコアを用いた共形予測フレームワークである日本(Joint Adaptive Prediction Areas with Normalising-Flows)を紹介する。
  論文  参考訳（メタデータ） (2025-05-29T07:34:51Z)
• Bridging conformal prediction and scenario optimization [3.4000567392487127]
  制約違反の確率について,適切なスコア関数と予測器マップを選択して,よく知られた境界を回復する方法を示す。 この結果は,共形予測とシナリオ最適化の理論的橋渡しとなる。
  論文  参考訳（メタデータ） (2025-03-30T18:51:20Z)
• Causality and Generalizability: Identifiability and Learning Methods [0.0]
  この論文は、因果効果の推定、因果構造学習、および分布的に堅牢な予測方法に関する研究領域に寄与する。 本稿では,データ依存平均二乗予測誤差正規化を用いた機器変数設定における線形・非線形因果関係推定器について述べる。 本稿では,介入誘起分布に関する分布ロバスト性に関する一般的な枠組みを提案する。
  論文  参考訳（メタデータ） (2021-10-04T13:12:11Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)
• Adversarial Attack and Defense of Structured Prediction Models [58.49290114755019]
  本論文では,NLPにおける構造化予測タスクに対する攻撃と防御について検討する。 構造化予測モデルの構造化出力は、入力中の小さな摂動に敏感である。 本稿では,シーケンス・ツー・シーケンス・モデルを用いて,構造化予測モデルへの攻撃を学習する,新規で統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-04T15:54:03Z)

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。