PASM：人口適応型シンボリック・ミクスチャー・オブ・エキスパートモデルによる、地域をまたぐハリケーン避難意思決定の予測

要旨: 避難行動を正確に予測することは災害への備えにとって極めて重要ですが、ある地域で訓練されたモデルは他地域ではしばしば機能しません。本研究では、複数状態にまたがるハリケーン避難に関する調査を用いて、この失敗が単なる特徴分布のシフトを超えることを示します。すなわち、同様の属性を持つ世帯が州ごとに系統立って異なる意思決定パターンをとるのです。その結果、単一のグローバルモデルは支配的な応答に過適合し、脆弱なサブ集団を誤って表現し、場所をまたいだ一般化がうまくできなくなります。そこで本研究では、人口適応型シンボリック・ミクスチャー・オブ・エキスパーツ（Population-Adaptive Symbolic Mixture-of-Experts: PASM）を提案します。PASMは、大規模言語モデルに導かれたシンボリック回帰と、ミクスチャー・オブ・エキスパーツのアーキテクチャを組み合わせます。PASMは、人間が読める閉形式の意思決定ルールを発見し、データ駆動のサブ集団にそれらを特化させ、推論時には各入力を適切なエキスパートへルーティングします。ハリケーンHarveyおよびIrmaのデータにおいて、フロリダおよびテキサスからジョージアへ100のキャリブレーションサンプルを用いて転移したところ、PASMはMatthews相関係数0.607を達成しました。これはXGBoost（0.404）、TabPFN（0.333）、GPT-5-mini（0.434）、およびメタラーニングの基準手法であるMAMLとプロトタイプネットワーク（MCC 4 0.346 以下）と比較して優れています。ルーティング機構はサブ集団に対して異なる数式の類型（アーキタイプ）を割り当てるため、その結果得られる行動プロファイルは直接解釈可能です。4つの人口統計軸にわたる公平性監査では、Bonferroni補正後に統計的に有意な格差は見られませんでした。PASMは、意思決定ルールの透明性を現実の緊急時計画に十分な水準で保ちながら、場所をまたいだ一般化ギャップの半分以上を埋めます。