跳到正文
arXiv cs.CY· Yilin Lyu, Kang Liu, Wei Wang, Qifan Zhang, Ling Yin, Yushi Bai·· 9 小时前AI 评分31

ReMoE:面向跨灾害人群移动恢复预测的可解释混合专家框架

ReMoE: An Interpretable Mixture-of-Experts Framework for Human Mobility Recovery Forecasting Across Disasters

AI 导读

ReMoE 是一个可解释的混合专家框架,用于跨灾害的人群移动恢复预测,通过特征引导路由器自适应组合学习不同恢复类型的专家,并用未来灾害条件预测做残差修正。在覆盖飓风、洪水、冬季风暴和野火共 18 起灾害事件的大规模移动数据集上,ReMoE 分布内表现具竞争力,在未见事件和灾害类型上取得最强性能,分布偏移越大增益越明显。该工作已被 KDD 2027 接收。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:灾害发生后,人类流动性往往急剧下降,随后呈现出复杂的恢复动态。对这种恢复进行有效预测,对于及时评估和资源分配至关重要。然而,现有方法通常针对单个事件开发,并以黑箱方式运行,限制了其在训练事件之外的可迁移性和可解释性。近期研究已识别出跨灾害反复出现的灾后流动性恢复类型,表明恢复知识可能是可迁移的。受此启发,我们提出 ReMoE,一个用于跨灾害流动性恢复预测的可解释混合专家框架。ReMoE 使用特征引导路由器,自适应地组合学习这些异质但可复用恢复类型的专用专家,生成区域特定的恢复模式。它进一步通过由未来灾害条件预测所指导的残差校正来细化该模式。我们在一个覆盖 18 个灾害事件(包括飓风、洪水、冬季风暴和野火)的大规模流动性数据集上评估 ReMoE。ReMoE 在分布内具有竞争力,并在未见事件和灾害类型上取得最强性能,且在分布偏移更大时增益更大。进一步分析表明,ReMoE 产生可解释的学习结果,并在不确定性下保持稳健性能。总体而言,ReMoE 提供了一种可迁移且可追溯的预测器,可支持前瞻性灾后评估。
评论: 被 KDD 2027 接收
主题: 机器学习(cs.LG);计算机与社会(cs.CY)
引用为: arXiv:2611.22133 [cs.LG]
  (或 arXiv:2611.22133v1 [cs.LG] 为此版本)
  https://doi.org/10.48550/arXiv.2611.22133

由 DataCite 颁发的 arXiv DOI(待注册)

提交历史

来自:Yilin Lyu [查看邮箱]
[v1] 2026年11月17日星期二 03:18:34 UTC(11,843 KB)

来源:arXiv cs.CY · arxiv.org