Interpreting wealth distribution via poverty map inference using multimodal data

要約

タイトル：多様なデータを使用した貧困マップ推定による資産分布の解釈

要約：
– 貧困マップは、政府やNGOが社会経済的な変化を追跡し、必要な地域にインフラやサービスを適切に割り当てるための重要なツールである。
– センサーやオンラインのクラウドソーシングデータを組み合わせた機械学習手法は、近年、貧困マップ推定においてブレークスルーをもたらした。
– しかし、これらの手法は地域ごとの財産の変動を捕捉せず、すべてのサブポップレーションに正確な予測を保証する責任ある結果を生成するために最適化されていない。
– ここでは、複数の地理的にクラスター化された人口地域にわたる富の平均値と標準偏差を推定するための機械学習モデルのパイプラインを提案し、シエラレオネとウガンダでその性能を説明する。
– これらのモデルは、衛星画像に基づく7つの独立した自由な機能ソースおよびオンラインクラウドソーシングとソーシャルメディアによって収集されたメタデータを利用している。
– 当社のモデルは、組み合わせたメタデータ特徴量が、地方地域での富を最もよく予測することを示し、最高の富の五分位数を予測するために最適な画像ベースのモデルよりも優れた成績を示す。
– 当社の結果は、富の地域平均と変動の復元に成功し、それらの間に存在する正の相関関係を正確に捕捉する。
– さらに、国をまたいでモデル移行の能力と限界、データの最新性やその他の偏見の影響を示し、当社の方法論は、透明性と解釈性の高いモデルに向けたオープンツールを提供し、データの入手可能性、都市化レベル、貧困の閾値に基づいて政府やNGOが情報を元に判断を下すのに役立つ。

要約(オリジナル)

Poverty maps are essential tools for governments and NGOs to track socioeconomic changes and adequately allocate infrastructure and services in places in need. Sensor and online crowd-sourced data combined with machine learning methods have provided a recent breakthrough in poverty map inference. However, these methods do not capture local wealth fluctuations, and are not optimized to produce accountable results that guarantee accurate predictions to all sub-populations. Here, we propose a pipeline of machine learning models to infer the mean and standard deviation of wealth across multiple geographically clustered populated places, and illustrate their performance in Sierra Leone and Uganda. These models leverage seven independent and freely available feature sources based on satellite images, and metadata collected via online crowd-sourcing and social media. Our models show that combined metadata features are the best predictors of wealth in rural areas, outperforming image-based models, which are the best for predicting the highest wealth quintiles. Our results recover the local mean and variation of wealth, and correctly capture the positive yet non-monotonous correlation between them. We further demonstrate the capabilities and limitations of model transfer across countries and the effects of data recency and other biases. Our methodology provides open tools to build towards more transparent and interpretable models to help governments and NGOs to make informed decisions based on data availability, urbanization level, and poverty thresholds.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI