Ensemble analysis has become an important tool for analyzing and quantifying gerrymandering; the main idea is to generate a large, random sample of districting plans (an "ensemble") to which any proposed plan may be compared. If a proposed plan is an extreme outlier compared to the ensemble with regard to various redistricting criteria, this may indicate that the plan was deliberately engineered to produce a specific outcome. A variety of methods have been used to construct ensembles of plans, and a fundamental question that arises is: How accurately does an ensemble constructed by a particular method represent the entire space of valid plans -- or, if a method has an inherent bias towards particular types of plans, can this bias be identified and quantified? Recently, Markov Chain Monte Carlo (MCMC) methods have become a predominant tool for constructing ensembles of plans. In this paper, we focus on the MCMC method known as "ReCom," which was introduced in 2018 by the Metric Geometry and Gerrymandering Group. This method appears to produce plans with relatively compact districts compared to some other methods, and we sought to understand this phenomenon in greater detail. In order to model the basic ReCom step, we constructed large ensembles of plans consisting of two districts for two grid graphs and for the precinct graph of Boulder County, CO. We found that, to a high degree of accuracy, the sampling probability for any particular plan is proportional to an exponentially decaying function of a discrete measure that approximates the length of the boundary between the two districts in the plan. This suggests a more quantitative formulation of the observation that ReCom tends to produce relatively compact districts, and it represents an important first step towards understanding the full sampling probability distribution associated to the ReCom method.


翻译:集合分析已成为分析和量化精密测谎的一个重要工具; 主要的想法是产生一个大而随机的区划计划样本(“Commble”),可以对任何拟议的计划进行比较。如果一个拟议的计划与各种区划标准的组合相比,是一个极端的超值,这可能表明该计划是故意设计来产生一个具体结果的。已经使用了各种方法来构建各种计划,而出现的一个基本问题是:一个特定方法构建的总合如何准确地代表有效观测计划的整个空间 -- -- 或者,如果一种方法对特定类型的计划有内在偏差,那么这种偏差能否被确定和量化?最近,Markov Connel Monte Carlo(MC MC) 方法已成为构建计划组合的主要工具。在本文中,我们侧重于被称为“ReCom”的方法,这是2018年Metri Gelogetrial 和Reglender Group Group提出的一个步骤,这个方法似乎比其他方法更为紧凑凑的区划图,而Recommalial 的这一方法则是我们从两个方向上找到的两种方法。

0
下载
关闭预览

相关内容

专知会员服务
42+阅读 · 2020年12月18日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
深度强化学习策略梯度教程,53页ppt
专知会员服务
178+阅读 · 2020年2月1日
【新书】Python编程基础,669页pdf
专知会员服务
193+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
CCF推荐 | 国际会议信息8条
Call4Papers
9+阅读 · 2019年5月23日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
推荐|深度强化学习聊天机器人(附论文)!
全球人工智能
4+阅读 · 2018年1月30日
人工智能 | 国际会议/SCI期刊约稿信息9条
Call4Papers
3+阅读 · 2018年1月12日
【推荐】用Python/OpenCV实现增强现实
机器学习研究会
15+阅读 · 2017年11月16日
【推荐】GAN架构入门综述(资源汇总)
机器学习研究会
10+阅读 · 2017年9月3日
Arxiv
0+阅读 · 2021年4月28日
Arxiv
0+阅读 · 2021年4月26日
Arxiv
0+阅读 · 2021年4月26日
Arxiv
0+阅读 · 2021年4月24日
VIP会员
相关VIP内容
专知会员服务
42+阅读 · 2020年12月18日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
深度强化学习策略梯度教程,53页ppt
专知会员服务
178+阅读 · 2020年2月1日
【新书】Python编程基础,669页pdf
专知会员服务
193+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
相关资讯
CCF推荐 | 国际会议信息8条
Call4Papers
9+阅读 · 2019年5月23日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
条件GAN重大改进!cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
推荐|深度强化学习聊天机器人(附论文)!
全球人工智能
4+阅读 · 2018年1月30日
人工智能 | 国际会议/SCI期刊约稿信息9条
Call4Papers
3+阅读 · 2018年1月12日
【推荐】用Python/OpenCV实现增强现实
机器学习研究会
15+阅读 · 2017年11月16日
【推荐】GAN架构入门综述(资源汇总)
机器学习研究会
10+阅读 · 2017年9月3日
Top
微信扫码咨询专知VIP会员