論文の概要: Explainable Machine Learning for Broadband Adoption Disparities: Tract-Level Prediction and SHAP-Based Factor Profiling

• arxiv url: http://arxiv.org/abs/2608.29110v1
• Date: Sat, 29 Aug 2026 07:39:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.840829
• Title: Explainable Machine Learning for Broadband Adoption Disparities: Tract-Level Prediction and SHAP-Based Factor Profiling
• Title（参考訳）: 広帯域採用格差のための説明可能な機械学習:トラクトレベル予測とSHAPに基づく因子プロファイリング
• Abstract要約: 米国は、ブロードバンド拡大のためのインフラ投資および雇用法を通じて、およそ650億ドルを割り当てている。 本稿では,全国83,359施設を対象に,ブロードバンドの普及格差をプロファイリングするための機械学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 6.076837441966713
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The United States has allocated approximately $65 billion through the Infrastructure Investment and Jobs Act for broadband expansion, yet evidence-based methods for targeting these investments remain underdeveloped. This paper presents an explainable machine learning framework for profiling broadband adoption disparities at census-tract granularity across 83,359 tracts nationwide. Using 65 socioeconomic, demographic, and infrastructure features derived from the American Community Survey 2022, we train a LightGBM model under spatial five-fold cross-validation, achieving R^2 = 0.533 and Spearman rho = 0.763; state-held-out cross-validation (51 folds) confirms generalization (R^2 = 0.525). TreeSHAP analysis identifies income and education as the dominant factor group (with the engineered interaction term absorbing attribution from its constituent features), and SHAP-based clustering reveals three exploratory factor profiles: Well-Connected Moderate (~49K tracts), Affordability-Limited Severe (~21K tracts), and Rural-Elderly (~13K tracts). As a screening tool, ML-based tract selection captures 38.0% of the total adoption gap within the top 10% of tracts versus 35.2% for income-only heuristics (+2.8 pp, p < 0.002, county-block bootstrap); in regret-reduction terms, the model closes 19% of the remaining gap between income-only and oracle selection. The primary contribution is the per-tract factor decomposition: SHAP identifies which feature groups (income/education, rurality, age) are most strongly associated with each tract's predicted gap, and informs differentiated investigation. A temporal stability check, training on ACS 2017 and predicting ACS 2022 with zero survey-year overlap, confirms ranking stability (rho = 0.784, noting hyperparameters tuned on 2022 data).
• Abstract（参考訳）: 米国はブロードバンド拡大のためのインフラ投資および雇用法を通じて約650億ドルを割り当てているが、これらの投資をターゲットとする証拠に基づく方法はまだ未開発である。 本稿では,全国83,359ヶ所の国勢調査領域におけるブロードバンド導入格差をプロファイリングするための機械学習フレームワークを提案する。 アメリカコミュニティ調査2022から得られた65の社会経済的、人口統計学的、インフラ的特徴を用いて、R^2 = 0.533, Spearman rho = 0.763, State-held-out cross-validation (51 folds)が一般化(R^2 = 0.525)を確認し、空間5倍のクロスバリデーションの下でLightGBMモデルを訓練する。 TreeSHAP分析は、収入と教育を支配的な要因群として認識し(エンジニアリングされた相互作用項が構成的特徴から帰属する)、SHAPベースのクラスタリングでは3つの探索的因子プロファイルが明らかにされている。 スクリーニングツールとして、MLベースのトラクションセレクションは、収入のみのヒューリスティック(+2.8 pp, p < 0.002, County-block bootstrap)において、収入のみとオラクルの選択の間の残りのギャップの19%を閉じている。 SHAPは、どの特徴群(収入/教育、農村性、年齢)が各トラクターの予測されるギャップと最も強く結びついているかを特定し、異なる調査を通知する。 時間的安定性チェック、ALS 2017でのトレーニング、調査年オーバーラップゼロのACS 2022予測は、ランキング安定性を確認する(rho = 0.784、2022データに調整されたハイパーパラメータ)。

関連論文リスト

• Marginal Fidelity Does Not Establish User Simulation in Demographic Synthetic Survey Panels: Response Contracts, Support Collapse and Conditioning Failure [51.736723807086385]
  人口密着協定は、個別のシミュレーションの証拠ではなく、エスカレーション契約の証拠であり、シミュレーションされた回答者なしで得られる推定値である。 9つのアライメントされたモデルバッテリペアでは、非個人個体数のクエリの平均は6.27 MAE対12.39であり、9つの比較すべてで勝利する。
  論文  参考訳（メタデータ） (2026-09-07T10:22:22Z)
• Crowd-Sourced Geographies of Income: Using Google Maps Points of Interest as High-Frequency Proxies for Sub-Municipal Income Estimation in Sao Paulo, Brazil [31.694344181489857]
  クラウドソーシングされたGoogle Maps Points of Interestの合成が、家庭所得の高頻度で低コストなプロキシとして機能するかどうかを検証する。 我々は各セクターをPOI数で表現し、これらの高次元のスパースな特徴を分解し、国勢調査由来の収入を予測するために回帰モデルの網羅を訓練する。
  論文  参考訳（メタデータ） (2026-08-08T02:54:31Z)
• Can Large Language Models Represent Urban Publics? Behavioral Replication and Population Mismatch in an Affordable-Housing Experiment [1.7984459258809926]
  大規模言語モデルでは,集団構造の維持に失敗しながら,1つの集合コントラストを近似することができることを示す。 都市計画におけるモデル評価は、この空間構造と社会構造が、平均的な効果だけでなくシミュレーションを生き残るかどうかを検証すべきである。
  論文  参考訳（メタデータ） (2026-07-29T16:27:36Z)
• RAVEN: A Regime-Aware Variable-context Expert Network for Financial Time Series Forecasting [83.06074370551887]
  固定コンテキストウィンドウは、非定常価格プロセスの時間変化最適振り返りと一致しない。 本稿では,各サンプルの時間的文脈を適応的に決定するMixture-of-Expertsフレームワークを提案する。 累積ログリターン予測(HS300、S&P500)およびファンド販売予測の実験では、RAVENはSOTAのパフォーマンスを達成し、HS300ではピアソン相関を9.2%改善し、S&P500では20.2%改善し、MSEを18.2%削減している。
  論文  参考訳（メタデータ） (2026-06-23T02:11:04Z)
• Interpretable Factor Decomposition for Decision Intelligence in Large-Scale Financial Markets: Evidence from China's A-Share Market [15.815059095188596]
  逐次等価度予測能力を聴覚因子の寄与に分解する。 XGBoostは、55ヶ月のアウト・オブ・サンプルデータに60ヶ月のローリング・ウィンドウを使用し、平均AUCは0.547と+2.38%/月である。 SHAP分解は、行動信号(回転と運動量)が予測帰属の58.2%を占め、評価比は10.7%であることを示している。
  論文  参考訳（メタデータ） (2026-06-11T03:11:32Z)
• Knowledge Index of Noah's Ark [63.143852586221534]
  KINAは,261分野にわたる899項目のベンチマークである。 ボーナス・オン・バートーナメントがFOSDを弱く支配していることを示す。 トップモデルであるGemini-3.1-Pro-Previewは53.17%、Claude-Opus-4.6は49.92%、GPT-5.4は48.55%に達した。
  論文  参考訳（メタデータ） (2026-06-03T17:06:49Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• SAGA: A Sequence-Adaptive Generative Architecture for Multi-Horizon Probabilistic Forecasting with Adaptive Temporal Conformal Prediction [0.0]
  本稿では,デコーダのみの変換器SAGAを提案する。 1990年から2022年にかけて,2,143,817人,61,284,903人からなる長手スウェーデン LISA レジスターをトレーニングした。 SAGAは10年の地平線で31.9%、20年の地平線で37.7%の絶対誤差を減少させる。
  論文  参考訳（メタデータ） (2026-05-18T18:35:20Z)
• Step-wise Rubric Rewards for LLM Reasoning [72.17879367869503]
  RLVR(Reinforcement Learning with Verifiable Rewards)は、大規模言語モデルの推論を改善するために広く使われている。 正しい回答の18.2%は間違っているが、肯定的な報酬がある。 6つの数学的推論ベンチマークで、SRaRはRaRの平均精度を3.57ポイント改善した。
  論文  参考訳（メタデータ） (2026-05-17T07:08:14Z)
• Conformal PM2.5 Mapping Under Spatial Covariate Shift: Satellite-Reanalysis Fusion for Africa's Green Industrial Transition [0.0]
  アフリカの緑の工業化は、大気の質を監視するための信頼性の高いインフラを必要としている。 我々は,29のアフリカ諸国404カ所から2,068,901件の記録に基づいて,衛星再分析PM2.5融合システムについて検討した。
  論文  参考訳（メタデータ） (2026-04-05T02:17:50Z)
• FIPO: Eliciting Deep Reasoning with Future-KL Influenced Policy Optimization [84.58281577727566]
  本稿では,大規模言語モデルにおける推論ボトルネックを克服する強化学習アルゴリズムであるFuture-KL Influenced Policy Optimization (FIPO)を提案する。 FIPOは、割引先KLの分岐をポリシー更新に組み込むことでこの問題に対処し、その後の軌道行動への影響に基づいてトークンを再重み付けする密集した有利な定式化を作成する。 Qwen2.5-32Bで評価され、FIPOは平均チェーン長を約4,000から10,000以上のトークンに拡張し、AIME 2024 Pass@1の精度を50.0%から58.0%に向上させた。
  論文  参考訳（メタデータ） (2026-03-20T10:24:50Z)

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。