arXiv cs.CY· Federica Sibilla, Vasiliki Voukelatou, Duccio Piovani, Kyriacos Koupparis, Daniela Paolotti, Rossano Schifanella, Kyriaki Kalimeri·· 10 小时前AI 评分31
上下文条件生成模型实现稀疏人道主义调查的次国家级细化
Context-Conditioned Generative Models Enable Subnational Refinement of Sparse Humanitarian Surveys
AI 导读
研究评估归一化流（normalizing flows）在严重数据稀缺下细化次国家级调查分布的能力，覆盖六个中低收入国家的八个人户调查数据集。上下文条件信息越丰富，模型性能系统性提升；该方法学习完整条件分布而非点估计，可为人道主义决策与资源分配提供细粒度证据。
正文 · AI 翻译
摘要：数据稀缺限制了许多科学和政策领域的推断。调查数据对决策至关重要，但稀疏样本往往无法捕捉精细的空间粒度。我们在受控的数据稀缺场景中评估了归一化流——一种能够学习复杂数据分布并可以外生上下文特征为条件的生成模型。在涵盖人道主义领域六个低收入或中等收入国家的八个家庭调查数据集上，我们表明，以上下文为条件的生成模型可以在严重数据稀缺的情况下细化次国家层面的调查分布，并且其性能会随着条件信息丰富度的提高而系统性提升。这些发现支持调查数据增强的一条一般原则：当稀疏样本保留足够支撑且上下文协变量编码了相关的局部异质性时，生成模型可以改善次国家层面的估计。通过学习完整的条件分布而非点估计，该方法为人道主义决策和资源分配提供了细粒度的证据。
| 主题： | 计算机与社会（cs.CY） |
| 引用为： | arXiv:2605.31489 [cs.CY] |
| （或 arXiv:2605.31489v3 [cs.CY] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.31489 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Federica Sibilla [查看电子邮件]
[v1]
2026年5月29日星期五 16:12:24 UTC（3,569 KB）
[v2]
2026年6月4日星期四 08:58:18 UTC（3,590 KB）
[v3]
2026年11月4日星期三 16:01:05 UTC（3,812 KB）
来源：arXiv cs.CY · arxiv.org