論文の概要: Unsupervised Machine learning methods for city vitality index

• arxiv url: http://arxiv.org/abs/2012.12082v2
• Date: Fri, 29 Jan 2021 21:30:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-26 07:25:45.990174
• Title: Unsupervised Machine learning methods for city vitality index
• Title（参考訳）: 都市活力指数の教師なし機械学習手法
• Authors: Jean-S\'ebastien Dessureault, Jonathan Simard, and Daniel Massicotte
• Abstract要約: 本稿では,過去の特徴を評価・学習し,将来VIを予測する手法を提案する。 この教師なし機械学習手法のメタパラメータを遺伝的アルゴリズム法により最適化する。 得られたクラスタとVIに基づいて、都市の各地区のVIを予測するために線形回帰が適用される。
• 参考スコア（独自算出の注目度）: 2.018732483255139
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper concerns the challenge to evaluate and predict a district vitality index (VI) over the years. There is no standard method to do it, and it is even more complicated to do it retroactively in the last decades. Although, it is essential to evaluate and learn features of the past to predict a VI in the future. This paper proposes a method to evaluate such a VI, based on a k-mean clustering algorithm. The meta parameters of this unsupervised machine learning technique are optimized by a genetic algorithm method. Based on the resulting clusters and VI, a linear regression is applied to predict the VI of each district of a city. The weights of each feature used in the clustering are calculated using a random forest regressor algorithm. This method can be a powerful insight for urbanists and inspire the redaction of a city plan in the smart city context.
• Abstract（参考訳）: 本稿では, 地域活力指数(VI)を長年にわたって評価し, 予測することの課題について考察する。 標準的な方法はありませんし、過去数十年で遡って行うのはさらに複雑です。 しかし、将来VIを予測するためには、過去の特徴を評価し、学習することが不可欠である。 本稿では,k平均クラスタリングアルゴリズムに基づいて,このようなVIを評価する手法を提案する。 この教師なし機械学習手法のメタパラメータを遺伝的アルゴリズム法により最適化する。 得られたクラスタとVIに基づいて、都市の各地区のVIを予測するために線形回帰を適用する。 クラスタリングで使用される各特徴の重みはランダム森林回帰アルゴリズムを用いて計算する。 この方法は、都市主義者にとって強力な洞察となり、スマートシティの文脈における都市計画の反動を刺激することができる。

関連論文リスト

• Disentangled Representation Learning with the Gromov-Monge Gap [65.73194652234848]
  乱れのないデータから歪んだ表現を学習することは、機械学習における根本的な課題である。 本稿では,2次最適輸送に基づく非交叉表現学習手法を提案する。 提案手法の有効性を4つの標準ベンチマークで示す。
  論文  参考訳（メタデータ） (2024-07-10T16:51:32Z)
• Sample Complexity of Preference-Based Nonparametric Off-Policy Evaluation with Deep Networks [58.469818546042696]
  我々は、OPEのサンプル効率を人間の好みで研究し、その統計的保証を確立する。 ReLUネットワークのサイズを適切に選択することにより、マルコフ決定過程において任意の低次元多様体構造を活用できることが示される。
  論文  参考訳（メタデータ） (2023-10-16T16:27:06Z)
• DST-Det: Simple Dynamic Self-Training for Open-Vocabulary Object Detection [72.25697820290502]
  この研究は、ゼロショット分類によって潜在的に新しいクラスを特定するための単純かつ効率的な戦略を導入する。 このアプローチは、アノテーションやデータセット、再学習を必要とせずに、新しいクラスのリコールと精度を高めるセルフトレーニング戦略として言及する。 LVIS、V3Det、COCOを含む3つのデータセットに対する実証的な評価は、ベースラインのパフォーマンスを大幅に改善したことを示している。
  論文  参考訳（メタデータ） (2023-10-02T17:52:24Z)
• A Dynamical Systems Algorithm for Clustering in Hyperspectral Imagery [0.18374319565577152]
  ハイパースペクトル画像におけるクラスタリングのための新しい動的システムアルゴリズムを提案する。 このアルゴリズムの主な考え方は、密度を増加させる方向に「データポイントが押される」ことであり、同じ密度の領域に終わるピクセル群は同じクラスに属する。 本手法は, 既定素材のクラスを基礎事実として, k-means アルゴリズムと性能を比較した都市景観におけるアルゴリズムの評価を行う。
  論文  参考訳（メタデータ） (2022-07-21T17:31:57Z)
• A Comprehensive Analytical Survey on Unsupervised and Semi-Supervised Graph Representation Learning Methods [4.486285347896372]
  本調査は,グラフ埋め込み手法のすべての主要なクラスを評価することを目的としている。 我々は,手動の特徴工学,行列分解,浅部ニューラルネットワーク,深部グラフ畳み込みネットワークなどの手法を含む分類学を用いてグラフ埋め込み手法を編成した。 我々はPyTorch GeometricおよびDGLライブラリ上で実験を設計し、異なるマルチコアCPUおよびGPUプラットフォーム上で実験を行った。
  論文  参考訳（メタデータ） (2021-12-20T07:50:26Z)
• Feature selection or extraction decision process for clustering using PCA and FRSD [2.6803492658436032]
  本稿では,データ科学者のパラメータに基づいて,最適次元削減法(選択・抽出)を選択する手法を提案する。 Silhouette Decomposition (FRSD) アルゴリズム、主成分分析 (PCA) アルゴリズム、K-Means アルゴリズム、およびその計量である Silhouette Index (SI) を用いる。
  論文  参考訳（メタデータ） (2021-11-20T01:40:54Z)
• Policy Gradient for Continuing Tasks in Non-stationary Markov Decision Processes [112.38662246621969]
  強化学習は、マルコフ決定プロセスにおいて期待される累積報酬を最大化するポリシーを見つけることの問題を考える。 我々は、ポリシーを更新するために上昇方向として使用する値関数の偏りのないナビゲーション勾配を計算する。 ポリシー勾配型アルゴリズムの大きな欠点は、定常性の仮定が課せられない限り、それらがエピソジックなタスクに限定されていることである。
  論文  参考訳（メタデータ） (2020-10-16T15:15:42Z)
• MaP: A Matrix-based Prediction Approach to Improve Span Extraction in Machine Reading Comprehension [40.22845723686718]
  本稿では,確率ベクトルを確率行列に拡張する新しい手法を提案する。 可能な開始指数ごとに、メソッドは常に終了確率ベクトルを生成する。 我々はSQuAD 1.1と他の3つの質問応答ベンチマークについて評価した。
  論文  参考訳（メタデータ） (2020-09-29T23:53:50Z)
• Contextual Bandits for adapting to changing User preferences over time [0.4061135251278187]
  コンテキストブレイディットは、オンライン(インクリメンタル)学習を活用することで、MLの動的データ問題をモデル化する効果的な方法を提供する。 我々は,行動に基づく学習者の配列を用いて,この問題を解決する新しいアルゴリズムを構築した。 我々は、標準のMine Lensデータセットから異なるユーザーによって、時間の経過とともに映画のレーティングを予測するためにこのアプローチを適用する。
  論文  参考訳（メタデータ） (2020-09-21T12:17:42Z)
• Discovering Reinforcement Learning Algorithms [53.72358280495428]
  強化学習アルゴリズムは、いくつかのルールの1つに従ってエージェントのパラメータを更新する。 本稿では,更新ルール全体を検出するメタラーニング手法を提案する。 これには、一連の環境と対話することで、"何を予測するか"(例えば、値関数)と"どのように学習するか"の両方が含まれている。
  論文  参考訳（メタデータ） (2020-07-17T07:38:39Z)
• Meta-learning with Stochastic Linear Bandits [120.43000970418939]
  我々は、よく知られたOFULアルゴリズムの正規化バージョンを実装するバンディットアルゴリズムのクラスを考える。 我々は,タスク数の増加とタスク分散の分散が小さくなると,タスクを個別に学習する上で,我々の戦略が大きな優位性を持つことを理論的および実験的に示す。
  論文  参考訳（メタデータ） (2020-05-18T08:41:39Z)

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。