論文の概要: Puffin: Probabilistic Learning of Spatial Detail From Coarse Observations

• arxiv url: http://arxiv.org/abs/2610.11914v1
• Date: Thu, 08 Oct 2026 13:12:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.038373
• Title: Puffin: Probabilistic Learning of Spatial Detail From Coarse Observations
• Title（参考訳）: Puffin: 粗い観測による空間的詳細の確率論的学習
• Abstract要約: 高解像度社会経済変数は、都市計画、公衆衛生、災害対応、資源配分などの応用において重要である。 Puffinは、高分解能衛星埋め込みを用いた粗大な総和の分解能を高める統計デアグリゲーションのためのフレームワークである。 我々は、ドイツとアメリカの国勢調査、雇用、および人口、雇用、その他の数変数にわたる選挙データに基づいて、パフィンを評価し、統計的不合理化が成功するか、地域、国、ターゲット間で失敗したかを調査する。
• 参考スコア（独自算出の注目度）: 0.17205106391379024
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-resolution socioeconomic variables are important for applications such as urban planning, public health, disaster response, and resource allocation. In practice, however, these variables are often observed only at a coarse spatial resolution. We introduce Puffin, a probabilistic framework for statistical disaggregation that raises the resolution of coarse totals using high-resolution satellite embeddings as covariates. Instead of predicting a single value for each fine-resolution subregion, Puffin learns a probability distribution and is trained through an aggregation-aware likelihood. At inference, Puffin conditions these predictions on the observed regional total and splits it among the subregions. The resulting fine-scale estimates are consistent with the observed aggregate and come with calibrated uncertainty, without requiring fine-resolution labels for training. We evaluate Puffin on German and US census, employment, and election data across population, jobs, and other count variables, and study when statistical disaggregation succeeds or fails across regions, countries, and targets.
• Abstract（参考訳）: 高解像度社会経済変数は、都市計画、公衆衛生、災害対応、資源配分などの応用において重要である。 しかし実際には、これらの変数は粗い空間分解でのみ観察されることが多い。 我々は,高分解能衛星埋め込みを共変量として用い,粗い総和の分解能を高める統計分解の確率的枠組みであるPuffinを紹介する。 微視的な部分領域ごとに単一の値を予測する代わりに、Puffinは確率分布を学習し、アグリゲーション対応の確率で訓練される。 推測において、Puffinはこれらの予測を観測された地域全体で条件付けし、それをサブリージョンに分割する。 得られた微視的な推定値は観測された集合と一致し、微視的なラベルを訓練に必要とせず、校正された不確実性を伴う。 我々は、ドイツとアメリカの国勢調査、雇用、および人口、雇用、その他の数変数にわたる選挙データに基づいて、Puffinを評価し、統計的不合理化が成功するか、地域、国、ターゲット間で失敗したかを調査する。

関連論文リスト

• Distributionally Faithful Imputation via Positive Semi-Definite Kernel Density Estimation [55.47411235954028]
  マスク観測による密度推定では,不規則に不規則に不規則な計算を行う。 我々は,ニュートン内点法で解ける閉じた形状の辺縁を持つ凸型経験的リスク問題を得る。 結果のPSDインプットモデルでは、同一の入射密度から単一および多重インプットが得られる。
  論文  参考訳（メタデータ） (2026-07-08T15:51:05Z)
• PASM: Population Adaptive Symbolic Mixture-of-Experts Model for Cross-location Hurricane Evacuation Decision Prediction [1.503974529275767]
  ある地域で訓練されたモデルは、しばしば他の場所で失敗する。 本稿では,大言語モデルで導出される記号的回帰と,経験的混合アーキテクチャを組み合わせたPopulation-Adaptive Mixture-of-Experts (PASM)を提案する。 Hurricanes Harvey と Irma では、XGBoost (0.404)、TabPFN (0.333)、GPT-5-mini (0.434)、メタラーニングベースライン MAML と Prototypeal Networks と比較すると、Matthews の相関係数は 0.607 である。
  論文  参考訳（メタデータ） (2026-03-31T14:34:15Z)
• Regression Trees for Fast and Adaptive Prediction Intervals [2.6763498831034043]
  本稿では,局所的なカバレッジ保証を伴う回帰問題に対して,予測間隔を調整するための一連の手法を提案する。 回帰木とランダムフォレストを適合度スコアでトレーニングすることで分割を作成する。 提案手法は多種多様な適合性スコアや予測設定に適用できるため,多種多様である。
  論文  参考訳（メタデータ） (2024-02-12T01:17:09Z)
• Small Area Estimation with Random Forests and the LASSO [39.58317527488534]
  この研究は、第6回リビング・スタンダード・サーベイ(GLSS)と2010年の人口・住宅国勢調査から得られるガーナのデータによって動機付けられている。 我々は、アラルレベルのランダム林とLASSOアプローチを、頻繁な前方変動選択法とベイズ縮小法と比較した。 GAMA領域にまたがる1.3倍の変動を示すログ消費地域推定値として,面積間の実質的な変動がみられた。
  論文  参考訳（メタデータ） (2023-08-29T10:02:10Z)
• Statistical Inference Under Constrained Selection Bias [20.862583584531322]
  本稿では,選択バイアスが存在する場合の統計的推測を可能にする枠組みを提案する。 出力は、目標分布に対する推定値に対する高確率境界である。 我々はこれらの境界を推定するための手法の計算的および統計的特性を分析し、これらの手法が様々なシミュレートされた半合成的なタスクに対して情報的境界を生成可能であることを示す。
  論文  参考訳（メタデータ） (2023-06-05T23:05:26Z)
• Random Forest Weighted Local Fréchet Regression with Random Objects [18.128663071848923]
  本稿では,新しいランダム森林重み付き局所Fr'echet回帰パラダイムを提案する。 最初の方法は、これらの重みを局所平均として、条件付きFr'echet平均を解くことである。 第二の手法は局所線形Fr'echet回帰を行い、どちらも既存のFr'echet回帰法を大幅に改善した。
  論文  参考訳（メタデータ） (2022-02-10T09:10:59Z)
• Uncertainty Modeling for Out-of-Distribution Generalization [56.957731893992495]
  特徴統計を適切に操作することで、ディープラーニングモデルの一般化能力を向上させることができると論じる。 一般的な手法では、特徴統計を学習した特徴から測定された決定論的値とみなすことが多い。 我々は、学習中に合成された特徴統計を用いて、領域シフトの不確かさをモデル化することにより、ネットワークの一般化能力を向上させる。
  論文  参考訳（メタデータ） (2022-02-08T16:09:12Z)
• Selective Classification Can Magnify Disparities Across Groups [89.14499988774985]
  選択的分類は平均的精度を向上させることができるが、既存の精度格差を同時に増大させることができる。 禁忌の増大は、一部のグループでのアキュラシーを減少させることもある。 我々は,グループ間で類似のフルカバレッジ精度を実現する分散ロバストモデルを訓練し,選択分類が各グループを均一に改善することを示す。
  論文  参考訳（メタデータ） (2020-10-27T08:51:30Z)
• 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)
• Survival Cluster Analysis [93.50540270973927]
  異なるリスクプロファイルを持つサブポピュレーションを特定するために、生存分析には未解決の必要性がある。 このニーズに対処するアプローチは、個々の成果のキャラクタリゼーションを改善する可能性が高い。
  論文  参考訳（メタデータ） (2020-02-29T22:41:21Z)

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。