深度对比学习用于特征对齐：住房-家庭关系推断的见解
机器学习
2025-02-18 v1 计算机与社会
摘要
住房与家庭特征是社会和经济福祉的关键决定因素，但我们对它们之间相互关系的理解仍然有限。本研究通过开发一种深度对比学习（DCL）模型，利用美国社区调查（ACS）公共使用微观数据样本（PUMS）来推断住房-家庭关系，从而填补这一知识空白。更广泛地说，所提出的模型适用于一类问题，即在不依赖显式标注真实数据的情况下学习两个不同实体之间的联合关系。我们提出的双编码器DCL方法利用PUMS中的共现模式，并引入二分K-means聚类方法来克服真实标签缺失的问题。双编码器DCL架构旨在处理住房（建筑）与家庭（人员）特征之间的语义差异，同时缓解聚类引入的噪声。为验证模型，我们生成了一个合成真实数据集并进行了全面评估。该模型在特拉华州捕获住房-家庭关系方面表现出优于最先进方法的性能。北卡罗来纳州的迁移性测试证实了其在不同社会人口和地理背景下的泛化能力。最后，利用SHAP值进行的事后可解释人工智能分析揭示，权属状态和抵押信息在住房-家庭匹配中比传统强调的因素（如人数和房间数）发挥着更重要的作用。
引用
@article{arxiv.2502.11205,
title = {Deep Contrastive Learning for Feature Alignment: Insights from Housing-Household Relationship Inference},
author = {Xiao Qian and Shangjia Dong and Rachel Davidson},
journal= {arXiv preprint arXiv:2502.11205},
year = {2025}
}