なぜ12年前の予測論文は時代の試練に耐え続けているのか

なぜ12年前の予測論文は時を超えて輝き続けるのか なぜ12年前の予測論文は時を超えて輝き続けるのか アマゾン・スカラーであるアラヴィンド・スリニヴァサンは、2014年にラテンアメリカの市民的不安を予測する論文を共同執筆し、KDD 2025でテスト・オブ・タイム賞を受賞しました。 シェア シェア リンクをコピー ![](https://assets.amazon.science/dims4/default/696b5fb/2147483647/strip/true/crop/200x200+0+0/resize/295x295!/quality/90/?url=http%3A%2F%2Famazon-topics-brightspot.s3.amazonaws.com%2Fscience%2F6b%2F46%2Fa4a3f7fd3fb744f46703d4c56b7e%2Fwhy-a-12-year-old-forecasting-paper-has-stood-the-test-of-timeqrcode) 2025年に開催された計算機学会ACMの知識発見・データマイニング特別グループ（KDD）会議において、アマゾン・スカラーでありメリーランド大学教授のアラヴィンド・スリニヴァサンは、8機関の30名の共著者の一人として、2014年の論文「『ニュースを凌駕する』EMBERS：オープンソース指標を用いた市民的不安の予測」で、同会議の応用データサイエンス部門テスト・オブ・タイム賞を受賞しました。 ![](data:image/svg+xml;base64,PHN2ZyB4bWxucz0iaHR0cDovL3d3dy53My5vcmcvMjAwMC9zdmciIHZlcnNpb249IjEuMSIgaGVpZ2h0PSI4MDFweCIgd2lkdGg9IjEyMDBweCI+PC9zdmc+) アマゾン・スカラーであるアラヴィンド・スリニヴァサンは、メリーランド大学カレッジパーク校の卓越教授および計算機科学教授です。彼の研究関心は、アルゴリズム、連続および組み合わせ最適化、機械学習の交差点にあります。 ニューラルネットワークが主流となる前の当時、EMBERS（「代理指標を用いた早期モデルベース事象認識」の略）は、ベイズ分類やロジスティック回帰などの技術を用いて、ソーシャルメディアの投稿、ニュース記事、ブログ投稿、経済指標、衛星画像など公開可能な情報を処理し、ラテンアメリカ10か国における市民的不安の発生確率を予測する5つの機械学習モデルの集合体でした。論文が発表された時点で、EMBERSは2年間運用されており、2013年半ばにブラジルで発生した大規模な抗議活動の急増と沈静化を正確に予測していました。 アマゾン・サイエンスは、EMBERS論文とそれが今も注目され続ける理由について、スリニヴァサンに話を聞きました。 Q. この論文の焦点は何でしたか？ この論文はラテンアメリカに焦点を当て、主に金融イベント、選挙結果、健康関連イベント、社会的動乱の4種類の事象を対象としています。新聞データ、インターネットデータ、衛星画像（例えば病院の駐車場が混雑していれば健康関連イベントを示唆する）など、あらゆるオープンソース・インテリジェンスを利用できる場合、今後数週間から数か月の間に発生する事象について、確率付きで知的な予測を行うことはできるか？ それらの予測をどのように知的に評価し、私たちが発した警告と実際に発生した事象を照合するか？ そして最後に、補完的な強みを持つ複数のアルゴリズムを実行しているため、ベイズ推論を用いてそれらを知的に融合し、警告を発するにはどうすればよいか？ これらが焦点でした。 Q. 時を経ても色あせない論文の側面は何ですか？ 私たちは12、13年前の機械学習技術を用いましたが、それは大きく凌駕されているので、その点の貢献は少ないと思います。しかし、何らかの機械学習モデルがある場合、それを検証できる必要があります。例えば教師あり学習問題であれば、ラベリングプロセスの質を評価する必要があります。しかし、未来について警告を与えるアルゴリズムを、どのように評価すればよいのでしょうか？ 私たちは、例えば「この地域の今度の選挙では、これらの政党が最も得票率を伸ばすだろう」といった警告を出すことになっていました。部分的に正しかったとしましょう：それにどのようなスコアを与えるべきでしょうか？ おそらく、そのうちの一党は得票率を大幅に伸ばしたが、もう一党はそうではなかった、といった場合です。 時を経ても有効だと思う一つの洞察は、個々の警告を見るのではなく、警告の時系列全体と実際の事象の時系列全体を見て、これらを可能な限り首尾一貫した方法で対応付けようとすることです。これは二部マッチングと呼ばれ、警告とアラートの間で最大重みマッチングを見つけることで、この事象はあの警告に最も帰属させることができる、あるいはその逆、という首尾一貫した見解を得ます。時間的な考慮を尊重するためには、理想的にはマッチングが交差しないようにしたいと考えます。 ![](data:image/svg+xml;base64,PHN2ZyB4bWxucz0iaHR0cDovL3d3dy53My5vcmcvMjAwMC9zdmciIHZlcnNpb249IjEuMSIgaGVpZ2h0PSI2NzVweCIgd2lkdGg9IjEyMDBweCI+PC9zdmc+) 警告（w1–w7）と事象（e1–e7）を対応付ける3つのアプローチ：重み付きマッチング；最大重み二部マッチング；非交差最大重み二部マッチング。図は「『ニュースを凌駕する』EMBERS：オープンソース指標を用いた市民的不安の予測」から改変。 二つ目の貢献で、有用であったと思うのは、単一の警報ではなく複数の警報を発することです。なぜなら、私たちは異なるスキルを持つ補完的なアルゴリズムを持っているからです。しかし、警報が雑然としていては困ります。何らかの方法でそれらを融合する必要があり、私たちの融合方法論は、各アルゴリズムの異なる強さについての事前の信念、使用コストなどについて、いくつかの単純なベイズ的考えを用いています。そしてもちろん、ベイズのルールに従ってそれらを更新し続けます。 Q. ベイズ推論に関する内容は、今日の機械学習モデルにもまだ当てはまりますか？ モデル訓練の設定では少ないですが、強化学習や制御理論、あるいはそのような設定ではより多く当てはまるでしょう。強化学習が教師あり学習と異なる点の一つは、エージェントが行動を起こすのを助けることです。今日では、現代的なエージェント型AIのようなものかもしれませんが、一つの考え方としてはロボットのようなものです。それは世界を観察し、探索と利用のトレードオフを行うことで、様々なステップを踏む確率の系列を学習させることができます。 しかし、それは時代遅れになるかもしれません：ロボットが新しい部屋や新しいシナリオに入ると、当然、その信念を更新する必要がありますが、多くのシステムではベイズ推論を用いてそれを行います。ご存知のように、現在では、ロボットに様々な科学実験を行わせ、物理的コンテキストにおいてどの実験が最も実り多いかを判断させることで、物理的AIや科学的発見を実現しようとするスタートアップ企業があります。このような設定、つまり知的な推測を行いながら、時間の経過とともにそれらの推測を更新する必要がある場合、この種のベイズ推論は依然として非常に有用です。 機械学習 確率的予測 テスト・オブ・タイム賞

なぜ12年前の予測論文は時代の試練に耐え続けているのか

背景や根拠まで確認しますか？

調べる

選ぶ

サイト