論文の概要: Network Learning Approaches to study World Happiness

• arxiv url: http://arxiv.org/abs/2007.09181v1
• Date: Fri, 17 Jul 2020 18:29:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 15:00:01.692301
• Title: Network Learning Approaches to study World Happiness
• Title（参考訳）: 世界幸福研究のためのネットワーク学習アプローチ
• Authors: Siddharth Dixit, Meghna Chaudhary, Niteesh Sahni
• Abstract要約: 国連は2011年の決議で、幸福の追求を基本的目標として宣言し、幸福を中心とした公共政策と経済政策を提案した。 予測モデリングとベイズネットワーク(BN)を用いて、2012年以降に国連が発行した156カ国の歴史的幸福指数データをモデル化した。
• 参考スコア（独自算出の注目度）: 0.3222802562733786
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The United Nations in its 2011 resolution declared the pursuit of happiness a fundamental human goal and proposed public and economic policies centered around happiness. In this paper we used 2 types of computational strategies viz. Predictive Modelling and Bayesian Networks (BNs) to model the processed historical happiness index data of 156 nations published by UN since 2012. We attacked the problem of prediction using General Regression Neural Networks (GRNNs) and show that it out performs other state of the art predictive models. To understand causal links amongst key features that have been proven to have a significant impact on world happiness, we first used a manual discretization scheme to discretize continuous variables into 3 levels viz. Low, Medium and High. A consensus World Happiness BN structure was then fixed after amalgamating information by learning 10000 different BNs using bootstrapping. Lastly, exact inference through conditional probability queries was used on this BN to unravel interesting relationships among the important features affecting happiness which would be useful in policy making.
• Abstract（参考訳）: 国連は2011年の決議で、幸福の追求を基本的人間の目標と宣言し、幸福を中心とした公共政策と経済政策を提案した。 本稿では,2種類の計算戦略vizを用いた。 予測モデリングとベイズネットワーク(BN)は、2012年以降に国連が発行した156カ国の歴史的幸福指数データをモデル化する。 我々は,一般回帰ニューラルネットワーク(GRNN)を用いた予測問題を攻撃し,他の予測モデルの実行状況を示す。 世界の幸福に重大な影響を与えることが証明された重要な特徴間の因果関係を理解するために,我々はまず,連続変数を3レベルビズに識別するために手動の離散化方式を用いた。 低位、中位、高位。 世界幸福BN構造は、ブートストラップを用いて10000の異なるBNを学習することで情報を集約した後、固定された。 最後に、このBN上で条件付き確率クエリによる正確な推論を用いて、政策立案に有用な幸福に影響を及ぼす重要な特徴間の興味深い関係を解明した。

関連論文リスト

• PageRank Bandits for Link Prediction [72.61386754332776]
  リンク予測は、リコメンダシステムやナレッジグラフ補完といった幅広いアプリケーションを用いたグラフ学習において重要な問題である。 本稿では,リンク予測を逐次的意思決定プロセスとして再構成し,各リンク予測インタラクションを逐次的に行う。 本稿では,PageRankとコンテキスト的帯域を結合した新しい融合アルゴリズム PRB (PageRank Bandits) を提案する。
  論文  参考訳（メタデータ） (2024-11-03T02:39:28Z)
• Blink: Link Local Differential Privacy in Graph Neural Networks via Bayesian Estimation [79.64626707978418]
  分散ノード上でのリンクローカル差分プライバシーを用いてグラフニューラルネットワークをトレーニングする。 当社のアプローチでは、グラフトポロジをより悪用するために、グラフのリンクと学位を別々に、プライバシ予算に費やしています。 当社のアプローチは、様々なプライバシー予算の下での精度において、既存の手法よりも優れています。
  論文  参考訳（メタデータ） (2023-09-06T17:53:31Z)
• Convolutional Neural Networks for Sentiment Analysis on Weibo Data: A Natural Language Processing Approach [0.228438857884398]
  本研究では,Weiboの119,988ツイートのデータセット上で,畳み込みニューラルネットワーク(CNN)を用いた感情分析の複雑な課題に対処する。 CNNに基づくモデルを用いて,特徴抽出に単語埋め込みを活用し,感情分類を行う訓練を行った。 このモデルは、テストセットで平均約0.73のマクロ平均F1スコアを達成し、正、中、負の感情でバランスの取れた性能を示した。
  論文  参考訳（メタデータ） (2023-07-13T03:02:56Z)
• Human Trajectory Forecasting with Explainable Behavioral Uncertainty [63.62824628085961]
  人間の軌道予測は人間の行動を理解し予測し、社会ロボットから自動運転車への応用を可能にする。 モデルフリー手法は予測精度が優れているが説明可能性に欠ける一方、モデルベース手法は説明可能性を提供するが、よく予測できない。 BNSP-SFMは,11種類の最先端手法と比較して,予測精度を最大50%向上することを示す。
  論文  参考訳（メタデータ） (2023-07-04T16:45:21Z)
• An Automated News Bias Classifier Using Caenorhabditis Elegans Inspired Recursive Feedback Network Architecture [0.0]
  記事にバイアス分類を割り当てる際の人間レベルの精度を実現するネットワークアーキテクチャを提案する。 このモデルは、AllSides.comから取り除かれた10以上の記事に基づいて訓練され、政治的偏見を示すようにラベル付けされている。
  論文  参考訳（メタデータ） (2022-07-26T08:26:26Z)
• Personalized Subgraph Federated Learning [56.52903162729729]
  本稿では,新たなサブグラフFL問題,パーソナライズされたサブグラフFLを導入する。 本稿では,Federated Personalized sUBgraph Learning (FED-PUB)を提案する。 オーバーラップしないサブグラフとオーバーラップするサブグラフの両方を考慮して,FED-PUBのサブグラフFL性能を6つのデータセットで検証した。
  論文  参考訳（メタデータ） (2022-06-21T09:02:53Z)
• Benchmarking Commonsense Knowledge Base Population with an Effective Evaluation Dataset [37.02104430195374]
  要素が自由テキストの形で存在するCSKB(Commonsense Knowledge Base)に対する推論は、NLPにおいて重要であるが難しい課題である。 我々はCSKB集団タスクを新しい大規模データセットでベンチマークする。 また,グラフ上の推論を行う新しい帰納的コモンセンス推論モデルを提案する。
  論文  参考訳（メタデータ） (2021-09-16T02:50:01Z)
• Global Convolutional Neural Processes [52.85558458799716]
  我々は,潜伏NPFにおけるSOTAログ類似化を実現するGloBal Convolutional Neural Process(GBCoNP)を構築する。 離散化された入力空間上の集合である大域的不確実性表現 p(z) を設計する。 学習した先行データは、1D、2D、新たに提案された時空間のCOVIDデータセットなど、さまざまなシナリオで分析される。
  論文  参考訳（メタデータ） (2021-09-02T03:32:50Z)
• RAWLSNET: Altering Bayesian Networks to Encode Rawlsian Fair Equality of Opportunity [4.150262974891475]
  提案するRAWLSNETは,機会均等性(FEO)のRawlsian原則を満たすためにベイズネットワーク(BN)モデルを変更するシステムである。 本稿では, FEO アプリケーションの BN 表現を入力として RAWLSNET を記述し, 可能な限り FEO を満たすために BN のパラメータを変更し, FEO からの偏差を最小限に抑える手法について述べる。
  論文  参考訳（メタデータ） (2021-03-16T03:06:47Z)
• Neural Networks Enhancement with Logical Knowledge [83.9217787335878]
  関係データに対するKENNの拡張を提案する。 その結果、KENNは、存在関係データにおいても、基礎となるニューラルネットワークの性能を高めることができることがわかった。
  論文  参考訳（メタデータ） (2020-09-13T21:12:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。