論文の概要: Can LLM-assisted regularization increase forecast accuracy for migration flows in low data regimes?

• arxiv url: http://arxiv.org/abs/2610.07208v1
• Date: Mon, 05 Oct 2026 18:22:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.585387
• Title: Can LLM-assisted regularization increase forecast accuracy for migration flows in low data regimes?
• Title（参考訳）: LLM支援による低データ環境におけるマイグレーションフローの予測精度の向上は可能か?
• Abstract要約: 本研究では,大規模言語モデルがニュース記事から文脈的移動関連信号を抽出することにより,移動予測を改善することができるかどうかを検討する。 提案フレームワークは,階層型LPM推論パイプラインを用いて,ニュースデータから移動関連プッシュプル信号を分類する。 実験の結果,移動回廊とモデリング戦略の混合性能が示された。
• 参考スコア（独自算出の注目度）: 0.8164433158925593
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Predicting migration flows remains a significant challenge for traditional gravity-based forecasting models, which primarily rely on structured socio-economic indicators such as economic disparity, political stability, and geographic distance. This work investigates whether Large Language Models (LLMs) can improve migration forecasting by extracting contextual migration-related signals from news articles and incorporating them into a weighted Lasso forecasting framework through feature-specific regularization penalties. The proposed framework uses hierarchical LLM inference pipelines to classify migration-related push--pull signals from news data and evaluates the resulting forecasting performance across multiple migration corridors between November 2021 and November 2022, including Mexico--United States, Ukraine--Poland, and Syria--Turkey. Experimental results showed mixed performance across migration corridors and modeling strategies, and no single regularization approach consistently outperformed the others across all experiments. The best-performing Mexico configuration, which consisted of a gravity-based model augmented with the proposed push--pull ratios, achieved a Mean Absolute Percentage Error (MAPE) of 17.15%, while the strongest Syria configuration achieved a MAPE of 29.29% using Direct LLM-Lasso. For Ukraine, the best-performing configuration used LLM-Assisted Regularization (AR) and achieved a MAPE of 41.05%. Overall, the results suggest that contextual article-derived features and LLM-guided regularization can improve migration forecasting under certain conditions, although migration corridor characteristics, article volume, and hyperparameter configuration strongly influenced performance.
• Abstract（参考訳）: 従来の重力に基づく予測モデルでは、経済格差、政治的安定性、地理的距離といった社会経済的指標の構造に依存しているため、移動フローの予測は依然として重要な課題である。 本研究では,Large Language Models (LLMs) が,ニュース記事から文脈的マイグレーション関連信号を抽出し,特徴特定正規化法により重み付けされたLasso予測フレームワークに組み込むことで,マイグレーション予測を改善することができるかを検討する。 提案したフレームワークは、階層的なLSM推論パイプラインを使用して、マイグレーション関連のプッシュプル信号をニュースデータから分類し、2021年11月から2022年11月までの複数の移行回廊(メキシコ-米国、ウクライナ-ポーランド、シリア-トゥルキーを含む)で結果の予測性能を評価する。 実験の結果、移行回廊とモデリング戦略をまたいだ混合性能が示され、単一の正規化アプローチが全ての実験で他のどの手法よりも一貫して優れていなかった。 メキシコの最も優れた構成は、提案されたプッシュプル比で強化された重力ベースのモデルで構成され、平均絶対パーセンテージ誤差(MAPE)は17.15%、シリアの最も高い構成は直接LLM-Lassoを使用して29.29%のMAPEを達成した。 ウクライナでは、最高性能の構成はLSM補助正規化(AR)を使用し、41.05%のMAPEを達成した。 その結果, 移動経路特性, 記事容積, ハイパーパラメータ構成は, 性能に大きく影響するが, コンテクスト的記事由来の特徴とLLM誘導正規化により, 一定の条件下での移動予測が向上する可能性が示唆された。

関連論文リスト

• Large Language Models Develop Belief State Geometry In-Context [1.6972273159174482]
  大規模言語モデル (LLM) は、文脈内学習能力に優れる。 我々はこのような表現を制御された設定で考慮し、隠れマルコフモデルから出力されたデータでLLMを誘導する。 我々は、信念状態が残留ストリームの活性化から線形にデオード可能であることを発見した。
  論文  参考訳（メタデータ） (2026-09-15T16:17:59Z)
• Do LLMs Know Your Neighborhood? Auditing LLM Priors for Neighborhood-Level Mobility Prediction and Structural Alignment [0.974918946585139]
  大規模言語モデル(LLM)は、可塑性モビリティトレースを生成し、個々の動きを予測することで、潜在的な代替手段を提供する。 Census Block Group レベルモビリティ予測におけるゼロショット LLM の評価を行った。 LLMは都市環境から部分的に集合移動パターンを復元できるが、その予測は構造的基盤として扱うべきではない。
  論文  参考訳（メタデータ） (2026-08-31T20:39:33Z)
• LLM-based Agents for Forecasting and Prediction: Methods, Training, Evaluation, and Applications [76.41731220830714]
  大規模言語モデル(LLM)は、言語ベースの推論と時間的データ、エビデンス検索、外部ツール、反復予測を組み合わせた予測システムをサポートするようになった。 ファイナンス、天気、健康、エネルギー、オペレーションの応用について検討し、評価に使用されるベンチマークとデータセットを要約する。
  論文  参考訳（メタデータ） (2026-08-24T10:02:39Z)
• Towards Efficient and Evidence-grounded Mobility Prediction with LLM-Driven Agent [15.849291461766995]
  監視されたシーケンスモデルは高い精度を達成するが、タスク固有のトレーニングが必要であり、決定レベルの透明性が制限される。 LLMに基づく最近の手法は解釈可能性を改善するが、ほとんどの場合静的なプロンプトとシングルパス推論に依存している。 本稿では,次の位置予測をアダプティブエビデンス制御による意思決定として定式化する,学習不要なLCM駆動エージェントフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-03T17:34:01Z)
• Injecting Distributional Awareness into MLLMs via Reinforcement Learning for Deep Imbalanced Regression [16.736095491915723]
  マルチモーダル大言語モデル (MLLM) は, 長期的目標分布下での数値回帰に苦慮する。 グループ相対政策最適化に基づく分散型強化学習フレームワークを提案する。 SFTと既存のMLLM回帰法よりも一貫した改善が見られた。
  論文  参考訳（メタデータ） (2026-05-02T11:49:03Z)
• Influence-Preserving Proxies for Gradient-Based Data Selection in LLM Fine-tuning [51.87858735871145]
  対象モデルから直接影響保存プロキシを導出するフレームワークであるIproxを紹介する。 Iproxは、既製のプロキシやベースラインメソッドよりも一貫して優れています。
  論文  参考訳（メタデータ） (2026-02-19T20:57:30Z)
• Beyond Naïve Prompting: Strategies for Improved Zero-shot Context-aided Forecasting with LLMs [57.82819770709032]
  大規模言語モデル (LLM) は、na "ive direct prompting" を通じて効果的な文脈支援予測を行うことができる。 ReDPは、明確な推論トレースを抽出することで、解釈可能性を改善し、コンテキスト上でモデルの推論を評価することができる。 CorDPはLLMを活用して、既存の予測をコンテキストで洗練し、現実の予測パイプラインにおける適用性を高める。 IC-DPは、文脈支援予測タスクの歴史的例を即時に組み込むことを提案し、大規模モデルにおいても精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-08-13T16:02:55Z)
• A Gradient Analysis Framework for Rewarding Good and Penalizing Bad Examples in Language Models [63.949883238901414]
  本稿では,損失関数の勾配解析の特異な角度について述べる。 ExMATEはMLEの優れたサロゲートであり,DPOとMLEの代わりにExMATEを組み合わせることで,統計的(5-7%)と生成的(+18%)の性能が向上することがわかった。
  論文  参考訳（メタデータ） (2024-08-29T17:46:18Z)
• Adaptation with Self-Evaluation to Improve Selective Prediction in LLMs [56.526095828316386]
  大規模言語モデル(LLM)の選択予測性能を改善するために,自己評価による適応のための新しいフレームワークを提案する。 提案手法は,様々な質問応答(QA)データセット上で評価し,最先端の選択的予測手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-18T03:34:59Z)

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。