論文の概要: BER-PEF: Unified Human Mobility Predictability Evaluation via Bayes Error Rate Estimation

• arxiv url: http://arxiv.org/abs/2609.04292v1
• Date: Thu, 03 Sep 2026 12:19:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.76905
• Title: BER-PEF: Unified Human Mobility Predictability Evaluation via Bayes Error Rate Estimation
• Title（参考訳）: BER-PEF:ベイズ誤差率推定による統一的移動予測可能性評価
• Abstract要約: 本稿では,BER推定をモビリティ予測可能性推定に変換するBayes-error-rate-based frameworkであるBER-PEFを提案する。 このフレームワークは、記号列、数値軌跡、文脈特徴、学習された表現を共通の特徴-ラベル空間にマッピングする。 Foursquare NYC、TKY、GeoLife、T-Driveでの実験では、いくつかのBERベースの推定器が既存の予測可能性手法よりも低い参照差を達成している。
• 参考スコア（独自算出の注目度）: 18.497151729519267
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human mobility predictability concerns the best prediction performance attainable from a given target and input information, but its ground truth is not directly observable on real mobility data. We present BER-PEF, a Bayes-error-rate-based framework that converts BER estimation into mobility predictability estimation and provides a unified protocol for comparing estimators without observable ground truth. The framework maps symbolic sequences, numeric trajectories, contextual features, and learned representations into a common feature--label space, then evaluates estimator outputs along controlled perturbation curves against a shared predictability reference interval by measuring deviations below the interval, above the interval, and across the full interval. Experiments on Foursquare NYC and TKY, GeoLife, and T-Drive show that several BER-based estimators achieve lower reference discrepancy than existing predictability methods on symbolic sequences and numeric trajectories, while their estimates track changes in empirical prediction performance under perturbation. Additional analyses show that contextual inputs and multiple structured representations can be evaluated under the same protocol, and that aggregating evidence across multiple perturbation levels provides a more reliable basis for estimator selection than relying on a single unperturbed observation. BER-PEF therefore offers a unified and verifiable path for evaluating predictability estimators on heterogeneous mobility data when ground-truth predictability is unavailable.
• Abstract（参考訳）: 人間の移動性予測可能性(英語版)は、与えられた目標と入力情報から得られる最高の予測性能を懸念するが、その基礎的真理は実際の移動データでは直接観測できない。 本稿では,BER推定をモビリティ予測可能性推定に変換するBayes-error-rateベースのフレームワークであるBER-PEFについて述べる。 このフレームワークは、記号列、数値軌跡、文脈特徴、学習された表現を共通の特徴-ラベル空間にマッピングし、間隔以下の偏差を測定して、制御された摂動曲線に沿った推定器出力を共有予測可能性基準区間に対して評価する。 Foursquare NYC、TKY、GeoLife、T-Driveでの実験では、いくつかのBERベースの推定器は、シンボルシーケンスや数値トラジェクトリの既存の予測可能性メソッドよりも低い基準誤差を達成し、その推定は摂動による経験的予測性能の変化を追跡する。 さらなる分析により、コンテキスト入力と複数の構造化された表現は同じプロトコルで評価できることが示され、複数の摂動レベルにまたがるエビデンスを集約することは、単一の摂動観測に依存するよりも、より信頼性の高い推定者選択の基盤となることが示されている。 したがって、BER-PEFは、地道予測が不可能な時、不均一な移動データ上で予測可能性推定器を評価する統一的で検証可能な経路を提供する。

関連論文リスト

• ControlledShifts: Towards Standardizing Robustness Evaluation in Trajectory Prediction Under Distribution Shifts [12.370065954075299]
  軌道予測は自動運転の安全性の中心である。 多くの手法は、データ中心あるいはテスト時間適応アプローチによる分散シフト劣化を緩和しようとする。 ControlledShiftsは、既存のトラジェクトリデータセットをイン・ディストリビューションとアウト・オブ・ディストリビューションのパーティションに体系的に再分割するフレームワークである。
  論文  参考訳（メタデータ） (2026-08-18T15:16:52Z)
• Relative Entropy Estimation in Function Space: Theory and Applications to Trajectory Inference [12.968551579672214]
  Trajectory Inference (TI)はスナップショットデータから遅延動的プロセスを復元する。 単細胞ゲノミクスのような応用において、破壊測定は有限個の辺縁からパス空間法則を特定できないものにする。 関数空間上の確率測度間のKL(Kullback-Leibler divergence)の偏差を推定するための一般的な枠組みを提案する。
  論文  参考訳（メタデータ） (2026-04-22T17:03:49Z)
• Scenario-aware Uncertainty Quantification for Trajectory Prediction with Statistical Guarantees [16.41262478059784]
  本稿では,予測区間と信頼性評価を備えた予測トラジェクトリを提供するシナリオ認識不確実性定量化フレームワークを提案する。 実世界のnuPlanデータセットを用いてフレームワークの評価を行い、シナリオアウェアな不確実性定量化と信頼性評価の有効性を実証した。
  論文  参考訳（メタデータ） (2025-12-05T12:54:39Z)
• DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment [92.70019102733453]
  トレーニング時系列予測モデルは、モデル予測の条件分布とラベルシーケンスの条件分布の整合性を必要とする。 本研究では,条件予測とラベル分布との差を最小限に抑えてアライメントを実現するDistDFを提案する。
  論文  参考訳（メタデータ） (2025-10-28T16:09:59Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Leveraging Variational Autoencoders for Parameterized MMSE Estimation [10.141454378473972]
  条件付き線形最小二乗誤差推定器のパラメータ化のための変分オートエンコーダに基づくフレームワークを提案する。 導出した推定器は、推定問題の生成前として変分オートエンコーダを用いて最小平均2乗誤差推定器を近似する。 提案手法と最小平均二乗誤差推定器の差分を限定して厳密な解析を行う。
  論文  参考訳（メタデータ） (2023-07-11T15:41:34Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• The Aleatoric Uncertainty Estimation Using a Separate Formulation with Virtual Residuals [51.71066839337174]
  既存の手法では、ターゲット推定における誤差を定量化できるが、過小評価する傾向がある。 本稿では,信号とその不確かさを推定するための新たな分離可能な定式化を提案し,オーバーフィッティングの影響を回避した。 提案手法は信号および不確実性推定のための最先端技術より優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-03T12:11:27Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Distributional robustness of K-class estimators and the PULSE [4.56877715768796]
  古典的Kクラス推定器は、Kクラス推定器とアンカー回帰との接続を確立することにより、そのような最適性を満たすことを証明する。 データ駆動型シミュレーションKクラス推定器として効率的に計算できることを示す。 弱い楽器の設定を含むいくつかの設定があり、他の推定値よりも優れています。
  論文  参考訳（メタデータ） (2020-05-07T09:39:07Z)

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。