深度学习模型用于人口合成的鲁棒性分析
机器学习
2022-11-28 v1
摘要
深度生成模型已成为合成数据生成尤其是人口合成的有用工具。这些模型隐式学习数据集的概率分布，并能从中抽样。已有若干模型被提出，但其性能仅在单一横截面样本上测试。在单一数据集上实现人口合成被视为一个缺陷，需进一步研究以探索模型在多个数据集上的鲁棒性。尽管与真实数据比较可提升模型的可信度与可解释性，但评估深度生成模型用于人口合成的鲁棒性技术仍鲜有探索。在本研究中，我们提出深度生成模型的 bootstrap 置信区间方法，该方法计算均值误差预测的高效置信区间，以评估模型对多个数据集的鲁棒性。具体而言，我们采用基于表格的 Composite Travel Generative Adversarial Network (CTGAN) 与 Variational Autoencoder (VAE)，通过利用同一研究区域随时间的多个样本生成具有表格数据的智能体，来估计人口分布。这些模型在蒙特利尔 2008、2013 和 2018 年出行起讫点调查的多个出行日记上实现，并比较来自多次调查的不同样本量下的预测性能。结果表明，与 VAE 相比，CTGAN 的预测误差具有更窄的置信区间，表明其对不同样本量的多个数据集具有鲁棒性。此外，针对样本量变化的模型鲁棒性评估显示，随样本量减小，模型性能下降极小。本研究通过能在可靠环境中实现更精细的人口合成，直接支撑基于智能体的建模。
引用
@article{arxiv.2211.13339,
title = {Robustness Analysis of Deep Learning Models for Population Synthesis},
author = {Daniel Opoku Mensah and Godwin Badu-Marfo and Bilal Farooq},
journal= {arXiv preprint arXiv:2211.13339},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2203.03489, arXiv:1909.07689 by other authors