論文の概要: A Generative Framework for the Creation of Multi-Attribute Geographically-Explicit Synthetic Population
- arxiv url: http://arxiv.org/abs/2608.12768v1
- Date: Thu, 13 Aug 2026 03:21:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-14 18:29:38.379627
- Title: A Generative Framework for the Creation of Multi-Attribute Geographically-Explicit Synthetic Population
- Title（参考訳）: 多属性地理的に明示的な合成人口の創出のための生成フレームワーク
- Abstract要約: 本稿では,現実的な関節分布を持つ合成個体群を生成する階層的拡散に基づく生成フレームワークを提案する。
この枠組みは50の州とワシントンD.C.に適用される。
実験により,IPF (Iterative Proportional Fitting) と1ショット拡散基線に対する関節分布の再構成が改善された。
- 参考スコア（独自算出の注目度）: 8.840598956793581
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generating multi-attribute synthetic populations with realistic joint distributions and geographic variation is a foundational requirement for geo-simulation techniques, such as micro-simulation and agent-based modeling. However, it remains challenging for existing methods to reconstruct region-specific joint distributions from aggregated-level data alone. Thus, we propose a hierarchical diffusion-based generative framework that utilizes a realistic region-specific joint distribution of multiple attributes as the training target to create a synthetic population along with assigning their explicit home and work locations. Applied to 50 U.S. states and Washington, D.C., this framework generates a nationwide geographically-explicit synthetic population consisting of 332,387,543 individuals with five attributes (e.g., age, gender, employment, education, income). Held-out regional experiments show improved reconstruction of joint distributions relative to Iterative Proportional Fitting (IPF) and a one-shot diffusion baseline. At the same time, the location assignment preserves major residential and workplace patterns. As such, the proposed framework provides a scalable generative approach for creating geographically explicit synthetic populations at both regional and national levels. By reconstructing region-specific joint distributions of these five attributes using this framework, the resulting synthetic population could introduce more realistic behaviors into geo-simulations, such as agent-based modeling, enabling further exploration of the emergence of complex urban phenomena through human interactions.
- Abstract（参考訳）: マルチ属性合成集団を現実的な関節分布と地理的変動で生成することは、ミクロシミュレートやエージェントベースモデリングのようなジオシミュレート技術の基礎となる要件である。
しかし、既存の方法では、集約レベルデータのみから地域固有の関節分布を再構築することは依然として困難である。
そこで本稿では,複数の属性の領域特異的な共同分布をトレーニング対象とする階層的拡散に基づく生成フレームワークを提案する。
この枠組みは、50の州とワシントンD.C.に適用され、5つの属性(例えば、年齢、性別、雇用、教育、収入)を持つ332,387,543人からなる全国的な地理的に専門的な合成人口を生成する。
局所実験により,IPF (Iterative Proportional Fitting) および単発拡散基線に対する関節分布の再構成が改善した。
同時に、場所割り当ては主要な住宅や職場のパターンを保存している。
このように、提案手法は、地理的に明示的な合成個体群を地域レベルと国家レベルで作成するためのスケーラブルな生成手法を提供する。
この枠組みを用いて、これらの5つの属性の地域固有の共同分布を再構築することにより、合成人口は、エージェントベースモデリングのような地球シミュレーションにより現実的な振る舞いを導入し、人間の相互作用を通じて複雑な都市現象の出現を探索することができる。
関連論文リスト
- AINet: Anchor Instances Learning for Regional Heterogeneity in Whole Slide Image [61.54860340942449]
本稿では,その地域(地域)に代表されるインスタンスのコンパクトなサブセットであるアンカーインスタンス(AI)の概念を導入し,バッグ(グローバル)レベルで識別する。
これらのAIは、地域間の相互作用をガイドする意味的な参照として機能し、地域多様性を維持しながら非差別的なパターンを修正する。
我々は、単純な予測器を使用し、FLOPやパラメータを著しく少なくした最先端の手法を超越した、簡潔で効果的なフレームワークであるAINetを開発した。
論文 参考訳（メタデータ） (2026-02-21T09:36:27Z) - 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) - Population synthesis with geographic coordinates [1.6419687521433917]
粗い地理的領域ではなく、明確な座標で合成集団を生成することがますます重要である。
空間座標をより規則的な潜在空間にマッピングする集団合成アルゴリズムを提案する。
実家と同じ統計特性を持つ合成住宅を121データセットで生成し,その有効性を実証する。
論文 参考訳（メタデータ） (2025-10-08T13:36:13Z) - Population-Aligned Persona Generation for LLM-based Social Simulation [58.84363795421489]
本稿では,社会シミュレーションのための高品質な集団対応ペルソナ集合を合成するための体系的枠組みを提案する。
我々のアプローチは、長期のソーシャルメディアデータから物語的ペルソナを生成するために、大きな言語モデルを活用することから始まる。
特定のシミュレーションコンテキストのニーズに対処するために,対象のサブポピュレーションに対してグローバルに整合したペルソナを適応させるタスク固有モジュールを提案する。
論文 参考訳（メタデータ） (2025-09-12T10:43:47Z) - Synthetic Data Matters: Re-training with Geo-typical Synthetic Labels for Building Detection [13.550020274133866]
対象地域の都市配置に合わせた合成データを用いて,テスト時に再学習モデルを提案する。
対象地域の都市構造を忠実に再現する地球型合成データを生成する。
実験では、ドメインギャップに応じて、パフォーマンスが大幅に向上し、中央値の12%が改善された。
論文 参考訳（メタデータ） (2025-07-22T14:53:13Z) - RegionGCN: Spatial-Heterogeneity-Aware Graph Convolutional Networks [8.132751508556078]
本研究では,地域レベルでの空間的プロセスの不均一性を個人レベルでではなく,地域レベルでモデル化することを提案する。
本研究では,2016年アメリカ合衆国大統領選挙における郡レベルの投票率の空間的予測に,地域GCNという空間的不均一性を考慮したグラフ畳み込みネットワークを適用した。
論文 参考訳（メタデータ） (2025-01-29T12:09:01Z) - Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳（メタデータ） (2024-02-19T15:57:39Z) - Copula-based transferable models for synthetic population generation [1.370096215615823]
集団合成は、マイクロエージェントの標的集団の合成的かつ現実的な表現を生成することを含む。
従来の手法は、しばしばターゲットのサンプルに依存し、高いコストと小さなサンプルサイズのために制限に直面している。
本研究では,実験的辺縁分布のみが知られている対象個体群を対象とした合成データを生成するためのコプラに基づく新しい枠組みを提案する。
論文 参考訳（メタデータ） (2023-02-17T23:58:14Z) - Federated and Generalized Person Re-identification through Domain and
Feature Hallucinating [88.77196261300699]
人物再識別(re-ID)におけるフェデレーションドメイン一般化(FedDG)の問題について検討する。
一般化された局所的・グローバルなモデルを学ぶための多様な特徴を創出する手法として,DFH (Domain and Feature Hallucinating) を提案する。
提案手法は4つの大規模re-IDベンチマークにおいてFedDGの最先端性能を実現する。
論文 参考訳（メタデータ） (2022-03-05T09:15:13Z) - Neural Embeddings of Urban Big Data Reveal Emergent Structures in Cities [7.148078723492643]
都市部の異質性を利用したニューラルネットワーク(GNN)を提案する。
アメリカ合衆国の16大都市圏において,何百万もの携帯電話利用者による大規模高解像度モビリティデータセットを用いて,都市部コンポーネント間の複雑な関係をエンコードしていることを示す。
異なる郡で訓練されたモデルによって生成された埋め込みは、他の郡における創発的空間構造の50%から60%を捉えることができることを示す。
論文 参考訳（メタデータ） (2021-10-24T07:13:14Z) - Methodological Foundation of a Numerical Taxonomy of Urban Form [62.997667081978825]
本稿では, 生物系統学から得られた都市形態の数値分類法を提案する。
我々は同質の都市組織タイプを導出し、それら間の全体形態的類似性を決定することにより、都市形態の階層的分類を生成する。
フレーミングとプレゼンを行った後、プラハとアムステルダムの2都市でテストを行った。
論文 参考訳（メタデータ） (2021-04-30T12:47:52Z)
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。