論文の概要: Joint Utilization of Geospatial and census proxies for Autoencoder-Assisted Downscaling (JUGAAD) of socioeconomic indicators in India

• arxiv url: http://arxiv.org/abs/2607.20559v1
• Date: Fri, 17 Jul 2026 21:57:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.16811
• Title: Joint Utilization of Geospatial and census proxies for Autoencoder-Assisted Downscaling (JUGAAD) of socioeconomic indicators in India
• Title（参考訳）: インドにおける社会経済指標の自己エンコーダ支援ダウンスケーリング(JUGAAD)のための地理空間および国勢調査プロキシの併用利用
• Abstract要約: 本研究では,2001年と2011年のインド国勢調査と調査データを事例として,深層学習の枠組みであるJuGAADを紹介した。 人口統計と地理空間データは,騒音の低減と行政境界の変更の定期化のために,中間的な村・クラスター規模のテッセルレーションに平均化される。 オートエンコーダは、高次元の国立サンプル調査局(NSSO)データを低次元の潜在表現に圧縮し、回帰モデルは、大規模国勢調査と地理空間データをこの表現にマッピングする。 この機能は、精密な国勢調査データに適用され、地上に対して検証された高分解能な予測を生成する。
• 参考スコア（独自算出の注目度）: 6.076588686970015
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Monitoring poverty and food security indicators is imperative for addressing socioeconomic challenges in developing nations. A limitation is mismatches in scale between data sources: census data provide geographic coverage, while socioeconomic indicators are derived from infrequently conducted surveys at coarse resolutions, posing a methodological challenge. This study introduces a deep learning framework, JuGAAD, using Indian census and survey data from 2001 and 2011 as a case study. We employ a three-step process: census and geospatial data are averaged into intermediate village-cluster-scale tessellations to reduce noise and regularize administrative boundary changes; an autoencoder compresses high-dimensional National Sample Survey Office (NSSO) data into a low-dimensional latent representation; and a regression model maps upscaled census and geospatial data to this representation. This function is applied to fine-grained census data to generate high-resolution predictions, validated against ground-truth district-level NSSO indicators. Results confirm the methodology predicts socioeconomic indicators at fine scales with strong accuracy.
• Abstract（参考訳）: 貧困や食料安全保障の指標を監視することは、発展途上国の社会経済的課題に対処するために不可欠である。 国勢調査データは地理的カバレッジを提供するが、社会経済指標は粗い解像度での頻繁な調査から導き出され、方法論的な課題を呈する。 本研究では,2001年と2011年のインド国勢調査と調査データを事例として,深層学習の枠組みであるJuGAADを紹介した。 人口統計と地理空間データは,騒音低減と行政境界変更の正規化のために,中間的な村落規模のテッセルレーションに平均化される。オートエンコーダは,高次元国立サンプル測量局(NSSO)データを低次元潜在表現に圧縮し,回帰モデルでは,大規模化された国勢調査と地理空間データをこの表現にマッピングする。 この関数は詳細な国勢調査データに適用され,地中地域レベルのNSSO指標に対して高分解能な予測を生成する。 その結果,社会経済指標を高精度に予測する手法が得られた。

関連論文リスト

• Context-Conditioned Generative Models Enable Subnational Refinement of Sparse Humanitarian Surveys [0.7943457288167796]
  我々は、複雑なデータ分布を学習し、文脈的特徴に基づいて条件付けできる生成モデルを評価する。 本研究では, 文脈条件付き生成モデルにより, 厳密なデータ不足下での国別調査分布を洗練できることを示す。
  論文  参考訳（メタデータ） (2026-05-29T16:12:24Z)
• Denoising the US Census: Succinct Block Hierarchical Regression [48.50026671993762]
  我々は、より正確で一貫した見積もりを生成する新しい後処理手法であるBlueDownを紹介する。 アメリカ合衆国国勢調査局が提案する評価指標に基づいて,郡域の集計値とトラクションレベルの精度を特に高めに改善した。
  論文  参考訳（メタデータ） (2026-03-10T17:39:25Z)
• GeoAgent: Learning to Geolocate Everywhere with Reinforced Geographic Characteristics [91.17301794848025]
  本稿では,人間と密に推論し,詳細なアドレス結論を導出できるGeoAgentについて述べる。 従来のRLベースの手法は、パフォーマンスと解釈可能性においてブレークスルーを達成したが、AI生成のチェーン・オブ・プリート(CoT)データとトレーニング戦略に依存しているため、依然として懸念が残っている。
  論文  参考訳（メタデータ） (2026-02-13T04:48:05Z)
• Leveraging Compact Satellite Embeddings and Graph Neural Networks for Large-Scale Poverty Mapping [2.913413516711343]
  サブサハラアフリカにおけるクラスタレベルの富の指標を予測するためのグラフベースの手法を提案する。 調査対象地と未ラベル地との間の空間的関係をモデル化することにより,既存の調査以上の富の予測の一般化を改善する。
  論文  参考訳（メタデータ） (2025-11-03T10:00:31Z)
• GeoReg: Weight-Constrained Few-Shot Regression for Socio-Economic Estimation using LLM [12.740560201477798]
  本研究は,多様なデータソースを統合し,社会経済指標を推定する回帰モデルであるGeoRegを紹介する。 開発段階の異なる3つの国における実験により、我々のモデルは社会経済指標の推定において基準線を上回っていることが示された。
  論文  参考訳（メタデータ） (2025-07-17T17:42:29Z)
• Out-of-Distribution Detection on Graphs: A Survey [58.47395497985277]
  グラフアウト・オブ・ディストリビューション(GOOD)検出は、トレーニング中に見られる分布から逸脱するグラフデータを特定することに焦点を当てる。 既存の手法を,拡張ベース,再構築ベース,情報伝達ベース,分類ベースという4つのタイプに分類する。 本稿では,グラフデータによるユニークな課題を浮き彫りにして,実践的応用と理論的基礎について論じる。
  論文  参考訳（メタデータ） (2025-02-12T04:07:12Z)
• Fine-Grained Socioeconomic Prediction from Satellite Images with Distributional Adjustment [14.076490368696508]
  本研究では,より広い領域で観測される分布挙動を捉えることで,各衛星画像に社会経済的スコアを割り当てる手法を提案する。 我々は、順序回帰スコアモデルを訓練し、そのスコアを地域内外の共通パワー則に従うように調整する。 また, この手法は, 不均質な開発地域において, 開発途上国での利用可能性を示す。
  論文  参考訳（メタデータ） (2023-08-30T12:06:04Z)
• Magnify Your Population: Statistical Downscaling to Augment the Spatial Resolution of Socioeconomic Census Data [48.7576911714538]
  重要社会経済的属性の詳細な推定を導出する新しい統計的ダウンスケーリング手法を提案する。 選択された社会経済変数ごとに、ランダムフォレストモデルが元の国勢調査単位に基づいて訓練され、その後、微細なグリッド化された予測を生成するために使用される。 本研究では,この手法を米国の国勢調査データに適用し,ブロック群レベルで選択された社会経済変数を,300の空間分解能のグリッドにダウンスケールする。
  論文  参考訳（メタデータ） (2020-06-23T16:52:18Z)
• Predicting Livelihood Indicators from Community-Generated Street-Level Imagery [70.5081240396352]
  本稿では,クラウドソースによるストリートレベルの画像から重要な生活指標を予測するための,安価でスケーラブルで解釈可能なアプローチを提案する。 全国的に代表される世帯調査で収集した地上データと比較することにより,貧困,人口,健康の指標を正確に予測する上でのアプローチの有効性を実証した。
  論文  参考訳（メタデータ） (2020-06-15T18:12:12Z)
• Generating Interpretable Poverty Maps using Object Detection in Satellite Images [80.35540308137043]
  衛星画像に物体検出装置を適用することにより、局所レベルでの貧困を正確に予測するための解釈可能な計算手法を実証する。 対象物の重み付けを特徴として、ウガンダの村レベルの貧困を予測する0.539 Pearson's r2を達成し、既存の(解釈不可能でない)ベンチマークよりも31%改善した。
  論文  参考訳（メタデータ） (2020-02-05T02:50:01Z)

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。