論文の概要: Decision-Centered Evaluation of Machine Learning Poverty Maps Using Mobile Phone and Satellite Data

• arxiv url: http://arxiv.org/abs/2609.23805v1
• Date: Sun, 20 Sep 2026 18:50:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 16:19:26.225864
• Title: Decision-Centered Evaluation of Machine Learning Poverty Maps Using Mobile Phone and Satellite Data
• Title（参考訳）: 携帯電話と衛星データを用いた機械学習貧困マップの決定中心評価
• Abstract要約: 家庭調査や国勢調査は費用がかかり、少ない。 機械学習は、携帯電話と衛星データから、代替の貧困予測を提供する。 スリランカのGrama Niladhari部門13,985に意思決定中心の評価を適用した。
• 参考スコア（独自算出の注目度）: 0.6932239020477335
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Identifying the poorest communities is essential for poverty alleviation, but household surveys and censuses are costly and infrequent. Machine learning offers alternative poverty estimates from mobile phone and satellite data, yet average prediction accuracy alone does not show whether maps support targeting under limited budgets. We apply a decision-centered evaluation to 13,985 Grama Niladhari divisions in Sri Lanka, combining call detail records (CDRs), remote sensing (RS), and CNN-derived Landsat 8 embeddings. We assess recovery of the poorest administrative units, compare random and spatially grouped validation, and examine errors in socioeconomically atypical communities. Against a census-derived asset index (PC1), Random Forest achieves Recall@25\% of 0.830, compared with 0.450 for nighttime lights. Random splitting raises recall by 4.1 percentage points relative to Divisional Secretariat Division (DSD)-grouped holdouts. The combined model recovers 86\% of the 25 poorest DSDs by PC1, versus 69\% for RS-only and 67\% for CDR-only models. Spatially isolated divisions have 10.8\% higher prediction error. Stronger isolation--error association in RS-only models is consistent with spatial smoothing, although its cause remains unconfirmed. These findings support evaluating poverty maps by targeting performance and geographic transfer, while recognising that agreement with an asset index does not establish consumption-poverty accuracy.
• Abstract（参考訳）: 貧困緩和には最も貧しい地域を特定することが不可欠であるが、世帯調査や国勢調査は費用がかかる。 機械学習は携帯電話や衛星データによる代替の貧困予測を提供するが、平均的な予測精度だけでは、限られた予算下で地図がターゲットをサポートするかどうかを示さない。 我々は,スリランカの13,985のGrama Niladhari部門に対して,コールディテールレコード(CDR),リモートセンシング(RS),CNN由来のLandsat 8埋め込みを組み合わせた意思決定中心の評価を行った。 我々は、最も貧しい行政単位の回復を評価し、ランダムかつ空間的にグループ化された検証を比較し、社会経済的非典型的コミュニティにおける誤りを検証した。 国勢調査による資産指数(PC1)に対して、ランダムフォレストはリコール@25\%の0.830を達成し、夜間の照明は0.450である。 ランダム・スプリッティングは、ディビジョン・シークレット・ディビジョン(DSD)グループ・ホールドアウトと比較して4.1ポイントのリコール率を上げる。 組み合わせモデルでは、PC1では最も貧弱なDSDの86倍、RSのみでは69倍、CDRのみでは67倍を回復する。 空間的に孤立した分割は10.8\%高い予測誤差を持つ。 RSのみのモデルにおける強い孤立-エラー関連は空間的平滑化と一致しているが、その原因は未確認のままである。 これらの結果は,アセットインデックスとの合意が消費汚染の正確性を確立していないことを認識しながら,パフォーマンスと地理的移動を目標とした貧困マップの評価を支援する。

関連論文リスト

• AgroVisNet: A lightweight Convolutional Network and the BD-PlantDX Expert-Validated Benchmark for Radish, Potato and Pointed Gourd Disease Classification [0.3686530147760243]
  我々は,BD-PlantDXとともに,スクラッチから学習したコンパクトな畳み込みネットワークであるAgroVisNetを提案する。 BD-PlantDXでは、テスト精度は99.52%、重み付きF1は99.52%に達し、6つのImageNet推奨の軽量バックボーンを超える。 デプロイ用にエクスポートされたこのモデルは、0.46MBのフル整数ネットワークに0.22ポイントの精度で量子化し、1CPUで8.40msの画像を分類する。
  論文  参考訳（メタデータ） (2026-09-09T17:12:17Z)
• Explainable Machine Learning for Broadband Adoption Disparities: Tract-Level Prediction and SHAP-Based Factor Profiling [6.076837441966713]
  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。
  論文  参考訳（メタデータ） (2026-08-29T07:39:08Z)
• GeoID-PINN: Identifiability-Aware Regional Epidemic Inference with Geographic Coupling [1.0875426095207128]
  本稿では,物理インフォームドニューラルネットワーク(PINN)を導入する。 我々は、距離、隣接性、通勤性、およびリードラグ情報から構築された空間先行を正規化する。 Forecast-Trained Geo-PINNは自己回帰的な負二項基底に対して、平均二乗誤差(MSE)を32,957から11,468、平均絶対誤差(MAE)を70.60から57.73に減少させる。
  論文  参考訳（メタデータ） (2026-07-28T05:59:23Z)
• State-dependent error correlations shape voting thresholds in committees of AI agents [1.7545090618311434]
  Sah-Stiglitzブートストラップスクリーニングとエラー依存性を組み合わせることで、良いケースと悪いケースを区別できる。 4つのバイナリスクリーニングベンチマークで28言語モデルを用いて174,384票から異種拡張を推定した。 設計バランスの分析では、独立下でのコスト感受性の閾値選択により60.25から52.50に縮小された。
  論文  参考訳（メタデータ） (2026-07-27T02:06:22Z)
• Distribution-First Population Simulation: Collapse, Calibration, and Recall in Non-WEIRD LLM Persona Modeling [0.0]
  合成親和性ツールは、独立大規模言語モデル(LLM)エージェントとして各個人を動作させる。 このパラダイムには基本的な障害モードがあることを示し、分散優先の修正をそれに対して設定する。
  論文  参考訳（メタデータ） (2026-07-17T15:45:57Z)
• 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)
• Less is More: Fewer Interpretable Region via Submodular Subset Selection [54.07758302264416]
  本稿では,上述の画像帰属問題を部分モジュラ部分選択問題として再モデル化する。 我々は、より正確な小さな解釈領域を発見するために、新しい部分モジュラー関数を構築する。 正しく予測されたサンプルに対しては,HSIC-Attributionに対する平均4.9%と2.5%の利得で,Deletion and Insertionスコアを改善した。
  論文  参考訳（メタデータ） (2024-02-14T13:30:02Z)
• Magnify Your Population: Statistical Downscaling to Augment the Spatial Resolution of Socioeconomic Census Data [48.7576911714538]
  重要社会経済的属性の詳細な推定を導出する新しい統計的ダウンスケーリング手法を提案する。 選択された社会経済変数ごとに、ランダムフォレストモデルが元の国勢調査単位に基づいて訓練され、その後、微細なグリッド化された予測を生成するために使用される。 本研究では,この手法を米国の国勢調査データに適用し,ブロック群レベルで選択された社会経済変数を,300の空間分解能のグリッドにダウンスケールする。
  論文  参考訳（メタデータ） (2020-06-23T16:52:18Z)
• Generating Interpretable Poverty Maps using Object Detection in Satellite Images [80.35540308137043]
  衛星画像に物体検出装置を適用することにより、局所レベルでの貧困を正確に予測するための解釈可能な計算手法を実証する。 対象物の重み付けを特徴として、ウガンダの村レベルの貧困を予測する0.539 Pearson's r2を達成し、既存の(解釈不可能でない)ベンチマークよりも31%改善した。
  論文  参考訳（メタデータ） (2020-02-05T02:50:01Z)

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。