論文の概要: Deep Generative Modeling in Network Science with Applications to Public Policy Research

• arxiv url: http://arxiv.org/abs/2010.07870v2
• Date: Fri, 16 Oct 2020 23:31:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 05:19:31.625117
• Title: Deep Generative Modeling in Network Science with Applications to Public Policy Research
• Title（参考訳）: ネットワーク科学における深部生成モデリングと公共政策研究への応用
• Authors: Gavin S. Hartnett, Raffaele Vardavas, Lawrence Baker, Michael Chaykowsky, C. Ben Gibson, Federico Girosi, David P. Kennedy, Osonde A. Osoba
• Abstract要約: ネットワークデータは、量的かつデータ駆動の公共政策研究にますます利用されている。 深層生成法は、マイクロシミュレーションやエージェントベースモデルに有用なリアルな合成ネットワークを生成するために使用できる。 疫学モデルで一般的に使用される大規模社会接触ネットワークに適用可能な,新たな生成フレームワークを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Network data is increasingly being used in quantitative, data-driven public policy research. These are typically very rich datasets that contain complex correlations and inter-dependencies. This richness both promises to be quite useful for policy research, while at the same time posing a challenge for the useful extraction of information from these datasets - a challenge which calls for new data analysis methods. In this report, we formulate a research agenda of key methodological problems whose solutions would enable new advances across many areas of policy research. We then review recent advances in applying deep learning to network data, and show how these methods may be used to address many of the methodological problems we identified. We particularly emphasize deep generative methods, which can be used to generate realistic synthetic networks useful for microsimulation and agent-based models capable of informing key public policy questions. We extend these recent advances by developing a new generative framework which applies to large social contact networks commonly used in epidemiological modeling. For context, we also compare and contrast these recent neural network-based approaches with the more traditional Exponential Random Graph Models. Lastly, we discuss some open problems where more progress is needed.
• Abstract（参考訳）: ネットワークデータは、量的、データ駆動の公共政策研究でますます使われている。 これらは典型的には、複雑な相関や相互依存を含む非常にリッチなデータセットである。 この豊かさは、ポリシー研究に非常に有用であると同時に、これらのデータセットから情報を抽出するのに有用な課題であると同時に、新しいデータ分析メソッドを要求する課題でもある。 本報告では,様々な分野の政策研究において,解決法が新たな進歩をもたらす重要な方法論問題の研究課題を定式化する。 次に、ネットワークデータに深層学習を適用する最近の進歩を概観し、これらの手法が、我々が特定した方法論的問題の多くにどのように役立つかを示す。 我々は特に、重要な公共政策問題を伝えることができるマイクロシミュレーションやエージェントベースモデルに有用なリアルな合成ネットワークを生成するために使用できる、深層生成手法を強調している。 疫学モデルでよく用いられる大規模社会接触ネットワークに適用可能な新しい生成フレームワークを開発することで、これらの最近の進歩を拡大する。 コンテキストに関しては、これらのニューラルネットワークベースのアプローチを、従来型の指数ランダムグラフモデルと比較し、対比します。 最後に、さらなる進展が必要なオープンな問題について議論する。

関連論文リスト

• State-Space Modeling in Long Sequence Processing: A Survey on Recurrence in the Transformer Era [59.279784235147254]
  このサーベイは、シーケンシャルなデータ処理の反復モデルに基づく最新のアプローチの詳細な概要を提供する。 新たなイメージは、標準のバックプロパゲーション・オブ・タイムから外れた学習アルゴリズムによって構成される、新しいルートを考える余地があることを示唆している。
  論文  参考訳（メタデータ） (2024-06-13T12:51:22Z)
• Causal-StoNet: Causal Inference for High-Dimensional Complex Data [7.648784748888187]
  本稿では,高次元複素データを扱うための新しい因果推論手法を提案する。 これは、疎いディープラーニング理論やニューラルネットワークなど、ディープラーニング技術に基づいている。 提案手法は、データセットに欠落した値が存在する場合にも使用できる。
  論文  参考訳（メタデータ） (2024-03-27T20:27:31Z)
• Stepping out of Flatland: Discovering Behavior Patterns as Topological Structures in Cyber Hypergraphs [0.7835894511242797]
  本稿では,ハイパーグラフとトポロジ理論に基づく新しいフレームワークを提案する。 大規模なサイバーネットワークデータセットで具体例を示す。
  論文  参考訳（メタデータ） (2023-11-08T00:00:33Z)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
  我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。 我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
  論文  参考訳（メタデータ） (2022-07-18T11:38:32Z)
• A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
  コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。 この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。 ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
  論文  参考訳（メタデータ） (2021-05-26T14:37:07Z)
• A Survey of Community Detection Approaches: From Statistical Modeling to Deep Learning [95.27249880156256]
  ネットワークコミュニティファイリング手法の統一アーキテクチャを開発し,提案する。 既存の手法を確率的グラフィカルモデルとディープラーニングという2つのカテゴリに分けた新しい分類法を提案する。 フィールドの課題の議論と今後の研究の方向性の提案を締めくくります。
  論文  参考訳（メタデータ） (2021-01-03T02:32:45Z)
• Deep Learning for Community Detection: Progress, Challenges and Opportunities [79.26787486888549]
  この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。 この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。
  論文  参考訳（メタデータ） (2020-05-17T11:22:11Z)

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。