PASM: Population Adaptive Symbolic Mixture-of-Experts Model for Cross-location Hurricane Evacuation Decision Prediction

Each language version is independently generated for its own context, not a direct translation.

Immagina di dover organizzare un'evacuazione di massa in caso di uragano. Il tuo obiettivo è prevedere chi scapperà e chi rimarrà, per inviare i soccorsi giusti al posto giusto.

Il problema è che le persone sono tutte diverse e ciò che funziona in una città non funziona nell'altra.

Il Problema: La "Ricetta Universale" non esiste

Fino ad oggi, gli esperti hanno provato a creare un'unica "ricetta magica" (un modello matematico) per prevedere il comportamento di tutti.

L'analogia: È come se un cuoco provasse a cucinare un unico piatto per un ristorante che serve sia italiani che giapponesi, sperando che a tutti piaccia la pasta al pomodoro.
Il risultato: Funziona bene per alcuni, ma è un disastro per altri. Se provi a usare le regole apprese in Florida per prevedere cosa farà la gente in Georgia, fallisci miseramente. Le persone con lo stesso profilo (stessa età, stesso reddito) prendono decisioni diverse a seconda di dove vivono.

La Soluzione: PASM (Il "Sindaco Intelligente" con i suoi Esperti)

Gli autori hanno creato un nuovo sistema chiamato PASM. Immaginalo non come un singolo cervello, ma come un consiglio di esperti guidato da un sindaco molto intelligente.

Ecco come funziona, passo dopo passo:

1. Non tutti pensano allo stesso modo (La Scoperta dei Gruppi)

Invece di trattare tutti come un blocco unico, PASM guarda i dati e dice: "Aspetta, ci sono gruppi di persone che pensano in modo simile, ma diverso dagli altri".

L'analogia: Immagina di entrare in una stanza piena di persone. Invece di urlare la stessa cosa a tutti, PASM individua i sottogruppi: c'è il gruppo dei "giovani impulsivi", il gruppo degli "anziani cauti" e il gruppo degli "isolati che non ascoltano nessuno".

2. Ogni gruppo ha il suo "Esperto" (I Modelli Simbolici)

Per ogni gruppo scoperto, PASM crea un esperto specializzato.

Cosa rende speciale PASM? Questi esperti non sono "scatole nere" incomprensibili (come le moderne intelligenze artificiali che danno solo un numero). Sono formule matematiche leggibili, scritte come frasi semplici.
L'analogia: È come avere un manuale di istruzioni per ogni tipo di persona.
- Manuale per i Giovani: "Se i vicini scappano e ti chiedono di uscire, esci." (Semplice, diretto).
- Manuale per gli Anziani: "Se la percentuale di fuga nel quartiere è alta, ma hai più di 60 anni, valuta meglio prima di muoverti." (Più complesso, pesa l'età).
- Manuale per gli Isolati: "Se sei solo e non hai famiglia, la paura ti blocca."

3. Il "Sindaco" (Il Router)

Quando arriva una nuova persona (un nuovo dato), il sistema non indovina. Usa un algoritmo di routing (il "Sindaco") che guarda la persona e dice: "Tu sembri appartenere al gruppo degli anziani cauti, quindi ascolta l'Esperto Anziano".

Questo permette al sistema di adattarsi istantaneamente: se la persona è giovane, ascolta l'esperto giovane; se è ricca, ascolta l'esperto per i ricchi, ecc.

4. L'Adattamento (Imparare sul campo)

Il sistema è stato testato prendendo dati da Florida e Texas e provando a prevedere cosa sarebbe successo in Georgia, usando solo 100 esempi per "calibrare" il sindaco.

Il risultato: PASM ha funzionato molto meglio di qualsiasi altro metodo (come XGBoost o le grandi Intelligenze Artificiali come GPT). Ha chiuso più della metà del divario tra "cosa pensavamo che sarebbe successo" e "cosa è successo davvero".

Perché è importante? (La Magia della Trasparenza)

La cosa più bella di PASM è che non è una scatola nera.

Se chiedi a un'IA normale: "Perché hai detto che questa persona non scapperà?", ti risponde: "Perché i miei neuroni hanno deciso così". (Inutile per un sindaco che deve prendere decisioni di vita o morte).
Se chiedi a PASM: "Perché hai detto che questa persona non scapperà?", ti risponde: "Perché è un'anziana donna, vive in una casa mobile e non ha auto, e la sua formula specifica dice che in queste condizioni la gente tende a restare".

In sintesi

PASM è come avere un team di psicologi esperti che conoscono perfettamente i diversi tipi di personalità, invece di un unico psicologo che cerca di capire tutti allo stesso modo.

Vantaggio: Funziona anche in posti nuovi (Georgia) dove non hai molti dati.
Vantaggio: È equo (non discrimina razzialmente o sessualmente).
Vantaggio: È comprensibile (gli umani possono leggere le regole e fidarsi di esse).

In parole povere: PASM smette di cercare una soluzione unica per tutti e inizia a rispettare le differenze, creando regole chiare e personalizzate per salvare più vite.

Each language version is independently generated for its own context, not a direct translation.

Titolo

PASM: Modello a Mixture-of-Experts Simbolico Adattivo alla Popolazione per la Previsione delle Decisioni di Evacuazione da Uragani tra Diverse Località

1. Il Problema

La previsione accurata del comportamento di evacuazione è fondamentale per la gestione delle emergenze e l'allocazione delle risorse. Tuttavia, i modelli esistenti presentano gravi limiti quando vengono trasferiti da una regione all'altra:

Fallimento del Trasferimento Cross-Location: I modelli addestrati in uno stato (es. Florida o Texas) spesso falliscono quando applicati ad altri (es. Georgia), non solo a causa di uno spostamento nella distribuzione delle caratteristiche (feature distribution shift), ma perché household con caratteristiche simili seguono pattern decisionali sistematicamente diversi a seconda dello stato.
Eterogeneità Comportamentale: Le differenze sociali, economiche e culturali portano a comportamenti opposti per gli stessi fattori (es. un alto reddito può incentivare l'evacuazione in una zona ma non in un'altra).
Limiti dei Modelli Globali: Un singolo modello globale tende a sovrastimare i pattern dominanti, sottorappresentando le popolazioni vulnerabili e fallendo nel generalizzare attraverso le località.
Inadeguatezza degli Approcci Esistenti: I modelli basati su regressione logistica o machine learning "black-box" (come XGBoost o reti neurali) non riescono a catturare questa eterogeneità multi-livello (tra stati e all'interno dello stesso stato), portando a un divario di generalizzazione significativo.

2. Metodologia: PASM

Gli autori propongono PASM (Population-Adaptive Symbolic Mixture-of-Experts), un framework ibrido che combina la Regressione Simbolica guidata da LLM con un'architettura Mixture-of-Experts (MoE).

Il processo si articola in tre fasi principali (illustrate nella Figura 2 del paper):

Fase 1: Scoperta delle Sottopopolazioni (Subpopulation Discovery)

Le caratteristiche delle famiglie vengono incorporate in uno spazio a bassa dimensionalità utilizzando UMAP.
Viene applicato il clustering basato sulla densità (HDBSCAN) per identificare gruppi latenti con comportamenti di evacuazione coerenti, senza predefinire il numero di cluster. Questo permette di scoprire sottogruppi comportamentali naturali nei dati.

Fase 2: Costruzione di Esperti Simbolici (Symbolic Expert Construction)

Viene costruita una libreria di esperti interpretabili.
Esperto Globale: Un modello simbolico che cattura i pattern a livello di popolazione.
Esperti Specifici per Cluster: Modelli simbolici addestrati su specifici cluster scoperti nella Fase 1.
Tecnica: Viene utilizzata LaSR (LLM-guided Symbolic Regression), che sfrutta un Large Language Model (Qwen3-8B) per proporre scheletri di equazioni e concept astratti, riducendo la complessità della ricerca. Gli esperti producono formule matematiche a forma chiusa (es. $y = \theta_1 \cdot x_1 + \theta_2$ ).

Fase 3: Integrazione Mixture-of-Experts (MoE Integration)

Router (Gating Network): Una rete MLP apprende una distribuzione di probabilità $\pi(x)$ per indirizzare ogni input all'esperto più rilevante.
Adattamento dei Coefficienti: Un componente innovativo è la Coefficient-Adaptive MLP. Invece di usare coefficienti fissi per ogni esperto, i parametri delle formule simboliche ( $\theta$ ) vengono adattati dinamicamente in base alle caratteristiche di input della famiglia. Questo permette alla stessa struttura simbolica di adattarsi a contesti diversi (es. diverse soglie di rischio per case in cemento armato vs. case mobili).
Output: La probabilità di evacuazione è la somma pesata delle uscite degli esperti calibrati, passata attraverso una funzione sigmoide.

3. Contributi Chiave

Modellazione Ibrida Interpretabile: PASM supera il compromesso tra accuratezza e interpretabilità. A differenza dei modelli black-box, produce regole decisionali a forma chiusa (equazioni matematiche leggibili dall'uomo) che spiegano perché una famiglia decide di evacuare.
Gestione dell'Eterogeneità: Il framework non forza un'unica regola globale, ma apprende e combina multiple "regimi comportamentali" attraverso il routing e l'adattamento dei coefficienti.
Robustezza Cross-Location: Dimostra che l'adattamento ai dati target richiede solo un piccolo set di calibrazione (few-shot learning), superando il divario di generalizzazione tra stati.
Audit di Equità: Il modello è stato sottoposto a un audit di equità su quattro assi demografici (razza, sesso, istruzione, età), mostrando assenza di disparità statisticamente significative dopo la correzione di Bonferroni.

4. Risultati Sperimentali

Il modello è stato testato su dati di sondaggi post-uragano (Harvey in Texas, Irma in Florida e Georgia). Lo scenario di test prevedeva l'addestramento su Florida e Texas e il test sulla Georgia (con soli 100 campioni di calibrazione).

Performance Principale (MCC - Matthews Correlation Coefficient):
- PASM: 0.607
- XGBoost: 0.404
- GPT-5-mini: 0.434
- TabPFN: 0.333
- Baseline Meta-Learning (MAML, Prototypical Networks): $\le 0.346$
- PASM supera i migliori baseline del 40-82%.
Stabilità del Trasferimento: Mentre i modelli tradizionali subiscono un calo di performance superiore al 55% quando trasferiti tra stati, PASM mostra una riduzione minima (solo il 9.3% tra set di calibrazione e test), indicando che ha imparato pattern comportamentali condivisi e robusti.
Analisi delle Formule Scoperte: Il routing ha assegnato tre archetipi di formule a diversi cluster:
1. Modello Lineare Additivo: Per il gruppo più giovane (risposta diretta alla pressione sociale/istituzionale).
2. Trade-off Geografico-Età: Per gruppi demografici medi (bilanciamento tra tasso di evacuazione del quartiere e resistenza legata all'età).
3. Formula Non Lineare Complessa: Per gruppi socialmente isolati o con status maritali non standard, integrando 8 caratteristiche con trasformazioni trigonometriche e radici.
Ablation Study:
- Il routing appreso è cruciale: la semplice media degli esperti (Top-5 Average) ottiene un MCC di 0.548, inferiore a PASM (0.607).
- L'adattamento congiunto dei coefficienti è essenziale: senza di esso, le prestazioni crollano (MCC 0.365 vs 0.607).

5. Significato e Implicazioni

Pianificazione delle Emergenze: PASM fornisce agli amministratori di emergenza strumenti interpretabili per prevedere chi evacerà in nuove località, anche con dati limitati. Le regole simboliche permettono di comprendere i driver decisionali specifici per sottogruppi vulnerabili.
Superamento dei Limiti Teorici: A differenza del Protective Action Decision Model (PADM) che si basa su assunzioni cognitive predefinite da esperti, PASM è puramente guidato dai dati, scoprendo regole direttamente dalle osservazioni senza pregiudizi teorici.
Efficienza Computazionale: Sebbene la fase di ricerca simbolica richieda chiamate LLM (circa 2.000 chiamate), l'inferenza e l'addestramento del router sono estremamente veloci (pochi secondi), rendendo il modello pratico per l'uso reale.
Limitazioni: Il modello è un "gray-box" (la scoperta dei cluster è unsupervised); l'adattamento a contesti culturali molto diversi richiederebbe un nuovo addestramento della libreria di concetti simbolici.

In sintesi, PASM rappresenta un avanzamento significativo nella modellazione predittiva per le catastrofi, risolvendo il problema critico della generalizzazione cross-regionale attraverso un'architettura che unisce la potenza predittiva del MoE alla trasparenza e interpretabilità della regressione simbolica.