論文の概要: Feasible and Novel Synthetic Population Generation with Tabular and Sequential Travel Attributes

• arxiv url: http://arxiv.org/abs/2608.15867v1
• Date: Sun, 16 Aug 2026 17:27:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.454839
• Title: Feasible and Novel Synthetic Population Generation with Tabular and Sequential Travel Attributes
• Title（参考訳）: 接尾辞と逐次帰路属性を用いた合成人口生成の可能性と新展開
• Abstract要約: 小さなサンプルは、サンプリングゼロとして知られる有効な属性の組み合わせを見逃し、生成モデルは、不可能な構造ゼロも生成する。 本稿では,これらの課題に対処するための正規化2段階生成フレームワークを提案する。 正規化は2.1ポイントから3.7ポイント、新規性は6.6ポイントから10.0ポイントに向上する。
• 参考スコア（独自算出の注目度）: 4.73459038844245
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Synthetic populations are critical inputs for activity-based travel demand models, yet generating realistic populations from limited survey data remains challenging. Small samples miss valid attribute combinations, known as sampling zeros, and generative models may also produce infeasible structural zeros. Moreover, realistic synthetic populations must capture both static socio-demographic attributes and sequential travel behaviour, such as trip chains. This paper proposes a regularized two-stage generative framework to address these challenges, where regularization refers to additional loss terms that guide the generator toward broader valid coverage and fewer infeasible samples. In Stage 1, a Wasserstein GAN with gradient penalty is augmented with three regularization terms, IGP, LDR, and CLAP, to improve feasibility, diversity, and novelty in tabular population synthesis. In Stage 2, Transformer and LSTM-Attention models generate sequential travel attributes, including departure time, trip purpose, and travel mode, conditioned on the synthesized tabular profiles. We also introduce novelty and count-aware metrics to evaluate whether valid unseen combinations are recovered and generated in realistic proportions. Results show that regularized models outperform the vanilla WGAN-GP across feasibility, diversity, and novelty. Regularization increases feasibility by 2.1 to 3.7 percentage points and novelty by 6.6 to 10.0 percentage points, improving sampling-zero recovery without sacrificing feasibility. The F1 score improves by 6.3 to 8.6 percentage points. For sequential attributes, LSTM-Attention best matches the trip-length distribution, while Transformer achieves higher overall sequential F1, 90.6\% versus 89.1\%. Cross-stage validation confirms strong consistency between generated mobility status and generated trip chains.
• Abstract（参考訳）: 合成人口は、活動に基づく旅行需要モデルにとって重要な入力であるが、限られた調査データから現実的な人口を生成することは依然として困難である。 小さなサンプルは、サンプリングゼロとして知られる有効な属性の組み合わせを見逃し、生成モデルは、不可能な構造ゼロも生成する。 さらに、現実的な合成人口は、静的な社会デミノグラフィー特性と、旅行連鎖のような連続的な旅行行動の両方を捉えなければならない。 本稿では,これらの課題に対処する正規化2段階生成フレームワークを提案する。 ステージ1では、勾配のペナルティを持つワッサースタインGANが3つの正規化項(IGP、LDR、CLAP)で増強され、表層集団合成における実現可能性、多様性、新規性を改善する。 ステージ2では、TransformerとLSTM-Attentionモデルは、合成表プロファイルに条件付きで出発時間、旅行目的、旅行モードを含む逐次的な旅行属性を生成する。 また,本研究では,有効不明瞭な組み合わせが現実的な割合で回収され,生成されるかどうかを評価するために,新規性とカウントアウェアの指標も導入する。 その結果, 正規化モデルは, 実現可能性, 多様性, 新規性においてバニラWGAN-GPより優れていた。 正規化によって実現可能性は2.1から3.7ポイント向上し、新規性は6.6から10.0ポイント向上する。 F1スコアは6.3から8.6ポイント改善される。 シーケンシャル属性の場合、LSTM-Attention はトリップ長分布に最もよく適合し、Transformer は全体のシーケンシャル F1, 90.6\% 対 89.1\% を達成する。 クロスステージ検証は、生成されたモビリティステータスと生成されたトリップチェーンの強い一貫性を確認する。

関連論文リスト

• Compact Latent Manifold Translation: A Parameter-Efficient Foundation Model for Cross-Modal and Cross-Frequency Physiological Signal Synthesis [4.672369796753925]
  既存の基礎モデルは、しばしば重度のモダリティの絡み合いに苦しむ連続潜在空間に依存している。 本稿では,これらのギャップを埋める高パラメータ効率(0.09B)統一フレームワークであるコンパクト潜時翻訳(CLMT)を提案する。 計算フットプリントのごく一部で生物学的信号の普遍的な離散言語を学習することにより、我々はエッジ展開可能な多要素医療基盤モデルのための新しい軌道を定めている。
  論文  参考訳（メタデータ） (2026-05-13T09:31:36Z)
• Self-Improving Tabular Language Models via Iterative Group Alignment [76.43372236405664]
  自動フィードバックによるデータ生成のための,最初の自己改善フレームワークであるTabGRAAを紹介する。 新たに生成されたサンプルを高品質なグループと低品質なグループに分割し、グループ相対的な有利な目標を優先順位付けする。 実験では、TabGRAAは、忠実さ、ユーティリティ、プライバシにおいて、既存のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2026-04-21T01:29:52Z)
• Do Generative Metrics Predict YOLO Performance? An Evaluation Across Models, Augmentation Ratios, and Dataset Complexity [43.338311770275745]
  本報告では, YOLOv11の合成増強の制御された評価法について述べる。 実際のトレーニングスプリットの10%から150%の増大率に対して, GAN, 拡散, ハイブリッドベースの6つのジェネレータをベンチマークした。 データセット生成/拡張設定毎に、マッチしたサイズのブートストラッププロトコルで事前トレーニングデータセットメトリクスを計算する。
  論文  参考訳（メタデータ） (2026-02-20T03:02:36Z)
• Enhancing Diversity and Feasibility: Joint Population Synthesis from Multi-source Data Using Generative Models [4.73459038844245]
  本研究では,WGAN(Wasserstein Generative Adversarial Network)と勾配ペナルティを用いたマルチソースデータセットを同時に統合・合成する手法を提案する。 その結果,提案手法は逐次ベースラインより優れ,リコールは7%,精度は15%向上した。 合成個体群はエージェントベースモデル(ABM)のキー入力として機能するため、このマルチソース生成手法はABMの精度と信頼性を大幅に向上させる可能性がある。
  論文  参考訳（メタデータ） (2026-02-17T00:02:30Z)
• Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
  本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。 Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
  論文  参考訳（メタデータ） (2026-02-12T18:58:12Z)
• Spectral Gating Networks [65.9496901693099]
  我々は、フィードフォワードネットワークに周波数リッチな表現性を導入するために、スペクトルゲーティングネットワーク(SGN)を導入する。 SGNは、標準活性化経路をコンパクトなスペクトル経路と学習可能なゲートで拡張し、安定したベース動作からモデルを開始することができる。 計算予算に匹敵する精度と効率のトレードオフを継続的に改善する。
  論文  参考訳（メタデータ） (2026-02-07T20:00:49Z)
• Pearl: A Foundation Model for Placing Every Atom in the Right Location [52.35027831422145]
  タンパク質-リガンド共フォールディングの基礎モデルであるPearlを紹介した。 パールはタンパク質-リガンド結合における新しい最先端性能を確立している。 Pearlは、パブリックなRuns N' PosesとPoseBustersベンチマークでAlphaFold 3や他のオープンソースベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-10-28T17:36:51Z)
• Prismatic Synthesis: Gradient-based Data Diversification Boosts Generalization in LLM Reasoning [77.120955854093]
  我々は,データ多様性が言語モデルにおける一般化の強力な予測因子であることを示す。 モデル誘起勾配のエントロピーを通して多様性を定量化する計量であるG-Vendiを導入する。 多様な合成データを生成するためのフレームワークであるPrismatic Synthesisを提案する。
  論文  参考訳（メタデータ） (2025-05-26T16:05:10Z)
• A Deep Generative Model for Feasible and Diverse Population Synthesis [0.0]
  本研究では,サンプリングゼロを保存しながら構造零点を最小化する新しい手法を提案する。 DGMのトレーニングをカスタマイズするために2つの正規化が考案され、GAN(generative adversarial Network)とVAE(variantal autoencoder)に適用される。 その結果, 従来のモデルに比べて, 合成個体群の実現可能性や多様性が著しく向上していることが示唆された。
  論文  参考訳（メタデータ） (2022-08-01T05:02:02Z)
• Comparing Probability Distributions with Conditional Transport [63.11403041984197]
  新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。 ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。 さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
  論文  参考訳（メタデータ） (2020-12-28T05:14:22Z)
• Composite Travel Generative Adversarial Networks for Tabular and Sequential Population Synthesis [5.259027520298188]
  本稿では,人口の関節分布を推定するためにCTGAN(Composite Travel Generative Adversarial Network)を提案する。 CTGANモデルは、変分オートエンコーダ(VAE)法など、最近提案された他の手法と比較される。
  論文  参考訳（メタデータ） (2020-04-15T00:06:52Z)

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。