論文の概要: In-Context Learning to Assess Built Environment Impacts on Perceived Neighborhood Walkability Among Mobility-impaired Older Adults

• arxiv url: http://arxiv.org/abs/2608.14663v1
• Date: Sat, 01 Aug 2026 01:46:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-23 14:54:39.951388
• Title: In-Context Learning to Assess Built Environment Impacts on Perceived Neighborhood Walkability Among Mobility-impaired Older Adults
• Title（参考訳）: 高齢者の歩行能力に及ぼす環境の影響評価のためのインテクスト学習
• Abstract要約: 本研究では,建築環境の特徴が歩行性に与える影響を明らかにするために,文脈内学習の有用性について検討した。 小規模のデータセットを用いて、TabPFNは、低、中、高の順に分類された歩行性知覚に対して54.89%のマクロF1スコアを達成した。 予備的な結果から、モデルの予測論理は、主に高次相互作用によって駆動されることが明らかとなった。
• 参考スコア（独自算出の注目度）: 0.8431877864777443
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As global populations age, enhancing neighborhood walkability through inclusive urban design is important for mitigating built environment (BE) barriers that discourage physical activity and social participation among older adults. This study investigates the utility of in-context learning (ICL), using the transformer-based foundation model TabPFN, to determine how BE features influence perceived walkability, as measured by the Neighborhood Environment Walkability Scale (NEWS-A) survey. Using a small-scale dataset (N = 257) comprising a unique demographic of older adults with knee osteoarthritis or a history of falls, TabPFN achieved a macro F1 score of 54.89% for walkability perceptions categorized as Low, Neutral, and High using equal-width binning. This result outperformed optimized, grid-searched baseline models, including Random Forest (45.85%) and XGBoost (50.56%). To interpret these results, we employed Shapley Interaction Quantification (SHAP-IQ) to identify the hierarchical importance of feature interactions. Preliminary results revealed that the model's predictive logic was primarily driven by higher-order interactions. For example, the interaction between average street circuity and the ratio of drivable roads emerged as the primary discriminator of perceived walkability. Neighborhood greenery was found to have substantial predictive importance only when combined with an individual's fear of falling or perception of age-friendliness. Overall, ICL using TabPFN demonstrates superior performance on small-scale datasets, enhancing the fidelity of the resulting interpretive insights. Furthermore, SHAP-IQ provides a synergistic perspective on how higher-order feature interactions drive the model's predictions.
• Abstract（参考訳）: 高齢者の身体活動や社会参加を阻害するビルディング環境(BE)障壁を緩和するためには,世界人口の高齢化に伴い,包括的都市デザインによる地域歩行性の向上が重要である。 本研究では,変圧器をベースとした基礎モデルであるTabPFNを用いて,近隣環境歩行性尺度(NEWS-A)で測定した,BEが知覚歩行性にどのような影響を及ぼすかを明らかにするために,インコンテキスト学習(ICL)の有用性について検討した。 膝関節症や転倒の歴史を持つ高齢者の独特な人口層からなる小さなデータセット(N = 257)を用いて、TabPFNは、同じ幅のビンニングを用いて、低、中、高の歩行性知覚に対して54.89%のマクロF1スコアを達成した。 この結果、Random Forest (45.85%) や XGBoost (50.56%) など、最適化されたグリッド探索ベースラインモデルよりも優れていた。 これらの結果の解釈にはShapley Interaction Quantification (SHAP-IQ) を用いて,特徴的相互作用の階層的重要性を同定した。 予備的な結果から、モデルの予測論理は、主に高次相互作用によって駆動されることが明らかとなった。 例えば、平均的な道路回路と乾燥可能な道路の比率との相互作用が、歩行性に対する主要な差別要因として出現した。 近隣の緑化は、個人の転倒に対する恐れや年齢差の知覚と組み合わせた場合にのみ、かなりの予測的重要性があることが判明した。 全体として、TabPFNを用いたICLは、小規模データセットよりも優れた性能を示し、その結果の解釈的洞察の忠実性を高める。 さらに、SHAP-IQは、高次特徴相互作用がモデルの予測をいかに駆動するかについての相乗的視点を提供する。

関連論文リスト

• Cross-Head Attention Uplift Network with Inverse Propensity Score under Unobserved Confounding [22.76545279913699]
  個々の治療効果を推定するために不可欠なリフトモデリングは、二重課題に直面している。 本稿では,CHAUN(Cross-Head Attention Uplift Network)とRobust Adrialversa Inverse Propensity Score(RA-IPS)を提案する。 RA-IPSは堅牢性を高め、観測不能な条件下で標準IPSを5.4%上回った。
  論文  参考訳（メタデータ） (2026-06-25T14:49:50Z)
• Towards Real-world Human Behavior Simulation: Benchmarking Large Language Models on Long-horizon, Cross-scenario, Heterogeneous Behavior Traces [81.41397370235102]
  我々はOmniBehaviorを紹介した。OmniBehaviorは実世界のデータから構築された最初のユーザシミュレーションベンチマークである。 現在のモデルでは,コンテキストウィンドウが拡大しても,複雑な振る舞いを正確にシミュレートすることが困難であることを示す。 この結果、個人差や長い尾の挙動が失われ、将来の高忠実度シミュレーション研究における重要な方向性が浮き彫りになる。
  論文  参考訳（メタデータ） (2026-04-09T15:26:21Z)
• Interpretable Machine Learning for Cognitive Aging: Handling Missing Data and Uncovering Social Determinant [28.20784930277189]
  アルツハイマー病(AD)の早期発見は神経変性効果が不可逆的であるため重要である。 NIH NIAが支援するPrePARE Challenge Phase 2データセットを用いて,健康の社会的要因から認知能力を予測する。
  論文  参考訳（メタデータ） (2025-10-13T03:04:10Z)
• Cooperative effects in feature importance of individual patterns: application to air pollutants and Alzheimer disease [0.0]
  Local Hi-Fiは、回帰問題における特定の入力特徴を含む高次効果を解消する技術である。 本稿では,これらの3つのスコア(一意,冗長,シナジスティック)をデータセットの各パターンに割り当てる枠組みを提案する。 この結果から,局所的なHi-Fiは,複雑なシステムにおける高次関係を解析すると同時に,XAIの新たな視点を開放する,広範な適用性を示す有望なツールとして位置づけた。
  論文  参考訳（メタデータ） (2025-07-30T14:03:09Z)
• Deep Contrastive Learning for Feature Alignment: Insights from Housing-Household Relationship Inference [0.6144680854063939]
  本研究は,アメリカン・コミュニティ・サーベイ(ACS)パブリック・ユース・マイクロデータ・サンプル(PUMS)を用いて,住宅・住宅関係を推定するための深いコントラスト学習モデルを開発する。 提案手法は,2つの異なる実体間の連接関係を,対象の真理データを明示的にラベル付けせずに学習することを目的としている。
  論文  参考訳（メタデータ） (2025-02-16T17:06:06Z)
• Decoding Susceptibility: Modeling Misbelief to Misinformation Through a Computational Approach [61.04606493712002]
  誤報に対する感受性は、観測不可能な不検証の主張に対する信念の度合いを記述している。 既存の感受性研究は、自己報告された信念に大きく依存している。 本稿では,ユーザの潜在感受性レベルをモデル化するための計算手法を提案する。
  論文  参考訳（メタデータ） (2023-11-16T07:22:56Z)
• Improving Neural Additive Models with Bayesian Principles [54.29602161803093]
  ニューラル加算モデル(NAM)は、個別の加算サブネットワークでキャリブレーションされた入力特徴を扱うことにより、ディープニューラルネットワークの透明性を高める。 本研究では,Laplace-approximated NAM (LA-NAMs) を開発した。
  論文  参考訳（メタデータ） (2023-05-26T13:19:15Z)
• GREAT Score: Global Robustness Evaluation of Adversarial Perturbation using Generative Models [60.48306899271866]
  GREATスコア(GREAT Score)と呼ばれる新しいフレームワークを提案する。 我々は,ロバストベンチにおける攻撃ベースモデルと比較し,高い相関性を示し,GREATスコアのコストを大幅に削減した。 GREAT Scoreは、プライバシーに敏感なブラックボックスモデルのリモート監査に使用することができる。
  論文  参考訳（メタデータ） (2023-04-19T14:58:27Z)
• D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling Algorithmic Bias [57.87117733071416]
  D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。 ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。 それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
  論文  参考訳（メタデータ） (2022-08-10T03:41:48Z)
• Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
  本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。 我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。 ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-29T07:49:48Z)
• Improving Prediction of Cognitive Performance using Deep Neural Networks in Sparse Data [2.867517731896504]
  MIDUS(Midlife in the United States)の観察・コホート研究から得られたデータを用いて,エグゼクティブ機能とエピソード記憶測定をモデル化した。 ディープニューラルネットワーク(DNN)モデルは、認知パフォーマンス予測タスクの中で一貫して最高である。
  論文  参考訳（メタデータ） (2021-12-28T22:23:08Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)

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。