arXiv cs.CY· Ruiya Zhou, Zhanzhan Zhao·· 2 天前AI 评分20
COMPASS：跨城市迁移学校学区划分知识
Learning to Transfer School Attendance Zoning across Cities
AI 导读
COMPASS 是一个参数到政策的框架，通过监督预测将既往学区划分搜索知识迁移到未见过的城市，用搜索得到的参数配置作为离线监督，学习从城市表征和划分难度信号预测可解释的学区控制参数，再由下游混合整数线性规划转化为明确划分方案。
正文 · AI 翻译
摘要：设计多校划片招生学区需要选择约束设置，以平衡教育公平、可达性和学校容量。为每个新城市重复这一过程可能需要大量的本地校准和计算搜索。我们提出 COMPASS，一种从参数到政策的框架，通过监督预测将以往学区划分搜索中的知识迁移到未见过的城市。利用搜索得到的参数配置作为离线监督，COMPASS 学习从城市表征和学区划分难度信号中预测可解释的学区划分控制参数。下游的混合整数线性规划将这些参数转换为明确的学区划分方案，并在初始求解不成功时进行条件参数修复。我们通过在美国 3,000 个城市进行五折交叉验证，评估参数预测、学区划分结果恢复和计算效率，并以亚特兰大作为案例研究加以补充。COMPASS 实现了 99.80% 的求解器可行成功率，相对于重复进行城市特定参数搜索，部署时间中位数加速 49.14 倍。进一步分析表明，迁移性能因城市环境和政策维度而异：结构性困难的城市获得最大的可行性提升，而入学均衡仍是最难恢复的结果。这些发现表明，跨城市学习如何能够减少重复搜索，同时保留明确的学区划分控制和空间方案，以供本地审查和调整。
| 主题： | 计算机与社会（cs.CY） |
| 引用为： | arXiv:2610.21924 [cs.CY] |
| （或使用 arXiv:2610.21924v1 [cs.CY] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2610.21924 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Zhanzhan Zhao [查看电子邮件]
[v1]
2026年10月15日星期四 14:06:37 UTC（17,867 KB）
来源：arXiv cs.CY · arxiv.org