論文の概要: Interpretable Graph Partitioning for Spatial Prediction

• arxiv url: http://arxiv.org/abs/2610.16063v1
• Date: Mon, 12 Oct 2026 02:06:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 07:53:34.412652
• Title: Interpretable Graph Partitioning for Spatial Prediction
• Title（参考訳）: 空間予測のための解釈可能なグラフ分割
• Abstract要約: グラフ分割問題を定式化し、より単純な表現でブラックボックス予測を近似するグローバルサロゲートモデルを構築する。 分割境界を調整するための計算手法を開発した。 実験結果から,提案手法はフレキシブルな境界を持つ空間的コヒーレントな分割を生成することがわかった。
• 参考スコア（独自算出の注目度）: 9.13755431537592
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatial prediction estimates unobserved values from spatially distributed observations. Although flexible predictive models are increasingly available, their practical use remains limited when interpretability is essential. In this study, we formulate a graph partitioning problem to construct a global surrogate model that approximates black-box predictions with simpler representations. Specifically, we select connected subgraphs to minimize within-cluster residuals in vertex-level predictions. Although this formulation can be viewed as a variant of spatial regionalization, it operates on model-based predictions at individual locations rather than predefined areal units. With many locations, this point-level formulation may produce artificial connections between regions, reducing interpretability. We therefore introduce a constraint that excludes such connections while retaining flexible partition boundaries. We theoretically analyze how this constraint affects the resulting partition. We also develop a computational procedure for adjusting partition boundaries. Experimental results show that the proposed method yields spatially coherent partitions with flexible boundaries.
• Abstract（参考訳）: 空間分布観測による観測値の空間予測 フレキシブルな予測モデルはますます利用可能になっているが、解釈可能性が不可欠である場合、実用的利用は限られている。 本研究では,グラフ分割問題を定式化し,より単純な表現でブラックボックス予測を近似するグローバルサロゲートモデルを構築する。 具体的には,頂点レベルの予測において,クラスタ内の残差を最小限に抑えるために,連結部分グラフを選択する。 この定式化は空間的局所化の変種と見なすことができるが、事前定義されたアリーナ単位ではなく、個々の場所でモデルに基づく予測を実行する。 多くの位置において、この点レベルの定式化は領域間の人工的な接続を生み出し、解釈可能性を減らすことができる。 したがって、フレキシブルなパーティション境界を維持しながら、そのような接続を除外する制約を導入する。 この制約が結果として生じる分割にどのように影響するかを理論的に分析する。 また,分割境界を調整するための計算手法も開発している。 実験結果から,提案手法はフレキシブルな境界を持つ空間的コヒーレントな分割を生成することがわかった。

関連論文リスト

• A Deep Learning Model for Spatially Clustered Data via Differentiable Cluster Assignment [2.5782420501870296]
  分割とクラスタ固有の回帰関数を共同で学習するために,非パラメトリック推定器を提案する。 提案手法の有効性と有効性を示すために,実データ解析を行う。
  論文  参考訳（メタデータ） (2026-08-15T01:39:56Z)
• Flow-Based Conformal Predictive Distributions [1.2691047660244335]
  微分可能な非整合性スコアは、軌道が対応する共形予測集合の境界に収束する出力空間上の決定論的フローを誘導することを示す。 これにより、任意の次元の共形境界をサンプリングする計算効率が良く、トレーニング不要な手法が導かれる。 我々は, PDE逆問題, 降水ダウンスケーリング, 気候モデルデバイアス, ハリケーン軌道予測に対するアプローチを評価する。
  論文  参考訳（メタデータ） (2026-02-07T17:26:50Z)
• Surrogate Graph Partitioning for Spatial Prediction [10.312968200748118]
  本研究では,空間セグメントを構成するグラフ分割問題を提案する。 セグメントへのデータポイントの割り当ては混合整数二次計画問題として定式化することができる。 グラフ分割の構造特性を利用する近似法を開発した。
  論文  参考訳（メタデータ） (2025-10-09T06:24:49Z)
• Beyond Probability Partitions: Calibrating Neural Networks with Semantic Aware Grouping [45.09248880938502]
  研究によると、ディープネットワークは予測に対して過度に楽観的であり、予測エラーを過小評価する傾向がある。 分割誤差 (Partitioned Error, PCE) という,より一般化された校正誤差の定義を提案する。 モデル精度とキャリブレーションの関係は分割関数の粒度に関係していることを示す。
  論文  参考訳（メタデータ） (2023-06-08T07:16:03Z)
• RbX: Region-based explanations of prediction models [69.3939291118954]
  領域に基づく説明(RbX)は、ブラックボックス予測モデルからスカラー出力の局所的な説明を生成するモデルに依存しない方法である。 RbXは「スパーシティ公理(sparsity axiom)」を満たすことが保証されており、予測モデルに入らない特徴は重要視されない。
  論文  参考訳（メタデータ） (2022-10-17T03:38:06Z)
• Predictive Inference with Feature Conformal Prediction [80.77443423828315]
  本稿では,特徴空間への共形予測の範囲を拡大する特徴共形予測を提案する。 理論的観点からは、特徴共形予測は軽度の仮定の下で正則共形予測よりも確実に優れていることを示す。 提案手法は,バニラ共形予測だけでなく,他の適応共形予測手法と組み合わせることができる。
  論文  参考訳（メタデータ） (2022-10-01T02:57:37Z)
• Neuro-Symbolic Entropy Regularization [78.16196949641079]
  構造化予測では、目的は構造化されたオブジェクトをエンコードする多くの出力変数を共同で予測することである。 エントロピー正則化(Entropy regularization)という1つのアプローチは、決定境界が低確率領域にあるべきであることを示唆している。 我々は、モデルが有効対象を確実に予測することを奨励する損失、ニューロシンボリックエントロピー正規化を提案する。
  論文  参考訳（メタデータ） (2022-01-25T06:23:10Z)
• Instance-Based Neural Dependency Parsing [56.63500180843504]
  依存関係解析のための解釈可能な推論プロセスを持つニューラルモデルを開発する。 私たちのモデルはインスタンスベースの推論を採用しており、トレーニングセットのエッジと比較することで、依存関係のエッジを抽出し、ラベル付けします。
  論文  参考訳（メタデータ） (2021-09-28T05:30:52Z)
• MD-split+: Practical Local Conformal Inference in High Dimensions [0.5439020425819]
  MD-split+は、局所化されたモデル性能に基づいてXパーティションを生成する、実用的な局所共形アプローチである。 我々は,我々の局所的分割が条件付き共形推論手法から期待される行動と哲学的にどのように一致しているかを論じる。
  論文  参考訳（メタデータ） (2021-07-07T15:19:16Z)
• Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
  推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 特に,この手法が標準正規化の魅力的な代替となることを示す。
  論文  参考訳（メタデータ） (2021-04-12T18:50:11Z)

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。