論文の概要: Learning to Transfer School Attendance Zoning across Cities

• arxiv url: http://arxiv.org/abs/2610.21924v1
• Date: Thu, 15 Oct 2026 14:06:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.105246
• Title: Learning to Transfer School Attendance Zoning across Cities
• Title（参考訳）: 都市を通した学校通学指導の学習
• Abstract要約: 本稿では,従来の地域検索から教師付き予測を通じて未確認都市へ知識を伝達するパラメータ・ツー・ポリティクス・フレームワークを提案する。 本研究では,都市間学習が局所的な点検と適応のための空間計画を維持しつつ,繰り返し探索を減らし得ることを示す。
• 参考スコア（独自算出の注目度）: 0.3222802562733787
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Designing multi-school attendance zones requires selecting constraint settings that balance educational equity, accessibility, and school capacity. Repeating this process for each new city can require substantial local calibration and computational search. We introduce COMPASS, a parameter-to-policy framework that transfers knowledge from previous zoning searches to unseen cities through supervised prediction. Using search-derived parameter configurations as offline supervision, COMPASS learns to predict interpretable zoning-control parameters from urban representations and zoning-difficulty signals. A downstream mixed-integer linear program converts these parameters into explicit zoning plans, with conditional parameter repair when the initial solve is unsuccessful. We evaluate parameter prediction, zoning-outcome recovery, and computational efficiency through five-fold cross-validation across 3,000 US cities, complemented by a case study of Atlanta. COMPASS achieves a 99.80% solver-feasible success rate and a 49.14-fold median deployment-time speedup relative to repeated city-specific parameter search. Further analysis shows that transfer performance varies across urban contexts and policy dimensions: structurally difficult cities receive the largest feasibility gains, while enrollment balance remains the hardest outcome to recover. These findings demonstrate how cross-city learning can reduce repeated search while retaining explicit zoning controls and spatial plans for local inspection and adaptation.
• Abstract（参考訳）: マルチスクール・アテンダンスゾーンを設計するには、教育的平等、アクセシビリティ、学校の能力のバランスをとる制約設定を選択する必要がある。 新しい都市ごとにこのプロセスを繰り返すには、かなりの局所的なキャリブレーションと計算検索が必要である。 我々は,従来の地域検索から教師付き予測を通じて未確認都市へ知識を伝達するパラメータ・ツー・ポリティクス・フレームワークであるCompASSを紹介する。 探索型パラメータ設定をオフライン監視として使用し,都市表現や偏差信号から解釈可能な偏差制御パラメータを予測することを学ぶ。 下流混合整数線形プログラムは、これらのパラメータを明示的な分割計画に変換し、初期解が失敗すると条件パラメータを修復する。 アトランタのケーススタディにより, 3000都市の5倍のクロスバリデーションによるパラメータ予測, ゾンニングアウトカム回復, 計算効率を評価した。 CompASS は 99.80% の解決可能な成功率と 49.14 倍のデプロイメントタイム・スピードアップを実現している。 さらに分析したところ、転送性能は都市環境や政策の寸法によって異なることが示され、構造的に困難な都市は最大の実現可能性の利得を得られる一方、入学残高は回復する上で最も難しい結果である。 これらの知見は,都市間学習が局所検査・適応のための空間計画と明示的な区分け制御を維持しつつ,繰り返し探索を減らし得ることを示す。

関連論文リスト

• Towards stratified sampling for redistricting plans [4.8625028784214095]
  「我々は、地区を代表文字にまとめて、それらをプランレベルの語形にすることで、観察された計画の上に文法を構築する。」 これらの単語上のユニティの分割は、成層への計画のソフトな割り当てを与え、質量と重なり引き起こされるフラックス行列を推定することを可能にする。 コネチカット州における実際の議会再分権データを用いて,この計算パイプラインを実演する。
  論文  参考訳（メタデータ） (2026-09-16T14:38:27Z)
• STRATA-TS: Selective Knowledge Transfer for Urban Time Series Forecasting with Retrieval-Guided Reasoning [27.775793400546345]
  STRATA-TSは、ドメイン適応検索と推論可能な大規模モデルを組み合わせることで、不足するデータレシエーションの予測を改善するフレームワークである。 効率的な配置を実現するため, 教師付き微調整により, 推論過程をコンパクトなオープンモデルに蒸留する。 シンガポール、ノッティンガム、グラスゴーの3つのパーキングアベイラビリティーデータセットの実験では、STRATA-TSは強い予測と転送ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-26T03:18:53Z)
• UrbanPulse: A Cross-City Deep Learning Framework for Ultra-Fine-Grained Population Transfer Prediction [0.0]
  UrbanPulseは、超微細で都市全体のODフロー予測を提供するスケーラブルなディープラーニングフレームワークである。 大規模な都市グラフの事前学習、コールドスタート適応、強化学習微調整という3段階の学習戦略を採用している。 最先端の精度とスケーラビリティを実現します。
  論文  参考訳（メタデータ） (2025-07-23T20:44:25Z)
• Collaborative Imputation of Urban Time Series through Cross-city Meta-learning [54.438991949772145]
  メタ学習型暗黙的ニューラル表現(INR)を利用した新しい協調的計算パラダイムを提案する。 次に,モデルに依存しないメタ学習による都市間協調学習手法を提案する。 20のグローバル都市から得られた多様な都市データセットの実験は、我々のモデルの優れた計算性能と一般化可能性を示している。
  論文  参考訳（メタデータ） (2025-01-20T07:12:40Z)
• StreetSurfGS: Scalable Urban Street Surface Reconstruction with Planar-based Gaussian Splatting [85.67616000086232]
  StreetSurfGSは、スケーラブルな街路景観の再構築に適したガウススプラッティングを利用するための最初の方法である。 StreetSurfGSは、平面ベースのオクツリー表現とセグメンテーショントレーニングを使用して、メモリコストを削減し、ユニークなカメラ特性に対応し、スケーラビリティを確保する。 スパースビューとマルチスケールの課題に対処するために、隣接する情報と長期情報を活用する2段階マッチング戦略を用いる。
  論文  参考訳（メタデータ） (2024-10-06T04:21:59Z)
• Uncertainty Quantification for Image-based Traffic Prediction across Cities [63.136794104678025]
  不確実量化(UQ)法は確率論的推論を誘導するためのアプローチを提供する。 複数の都市にまたがる大規模画像ベース交通データセットへの適用について検討する。 モスクワ市を事例として,交通行動に対する時間的・空間的影響を考察した。
  論文  参考訳（メタデータ） (2023-08-11T13:35:52Z)
• GradSkip: Communication-Accelerated Local Gradient Methods with Better Computational Complexity [54.585248253601314]
  本研究では,クライアントが通信前に複数の局所勾配型トレーニングステップを実行できるようにすることにより,通信コストの低減を目的とした分散最適化アルゴリズムのクラスについて検討する。 特に、修正したGradSkipは、同じ仮定の下で線形に収束し、通信複雑性が同じであることを示す。
  論文  参考訳（メタデータ） (2022-10-28T20:59:06Z)
• A Cross-City Federated Transfer Learning Framework: A Case Study on Urban Region Profiling [24.103961649276584]
  本稿では,データ不足やプライバシー問題に対処する新しいクロスシティ・フェデレーション・トランスファー・ラーニング・フレームワーク(CcFTL)を提案する。 CcFTLは、複数のリッチデータソース都市から対象都市にリレーショナル知識を転送する。 都市域のプロファイリングをスマートシティの応用として捉え,提案手法を実世界の研究で評価する。
  論文  参考訳（メタデータ） (2022-05-31T12:41:01Z)
• Spatio-Temporal Graph Few-Shot Learning with Cross-City Knowledge Transfer [58.6106391721944]
  クロスシティの知識は、データ不足の都市から学んだモデルを活用して、データ不足の都市の学習プロセスに役立てるという、その将来性を示している。 本稿では,ST-GFSLと呼ばれるS時間グラフのためのモデルに依存しない数ショット学習フレームワークを提案する。 本研究では,4つの交通速度予測ベンチマークの総合的な実験を行い,ST-GFSLの有効性を最先端手法と比較した。
  論文  参考訳（メタデータ） (2022-05-27T12:46:52Z)

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。