論文の概要: Donut visualizations for network-level and regional-level overview of
Spatial Social Networks
- arxiv url: http://arxiv.org/abs/2101.00929v1
- Date: Mon, 4 Jan 2021 12:50:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-17 22:15:32.401942
- Title: Donut visualizations for network-level and regional-level overview of
Spatial Social Networks
- Title（参考訳）: ネットワークレベルのドナツ可視化と地域社会ネットワークの概観
- Authors: Dipto Sarkar, Piyush Yadav
- Abstract要約: 本研究では、空間情報と社会情報を利用して、接続の向きや規模に関する情報を提供するSSNの新しい可視化手法を提案する。
ドーナツ視覚化はネットワーク全体を要約したり、ネットワークの一部で使用することができる。
- 参考スコア（独自算出の注目度）: 0.6345523830122167
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spatial Social Networks (SSN) build on the node and edge structure used in
Social Network Analysis (SNA) by incorporating spatial information. Thus, SSNs
include both topological and spatial data. The geographic embedding of the
nodes makes it impossible to move the nodes freely, rendering standard
topological algorithms (e.g. force layout algorithms) used in SNA ineffective
to visualize SSN sociograms. We propose a new visualization technique for SSNs
that utilize the spatial and social information to provide information about
the orientation and scale of connections. The donut visualization can be used
to summarize the entire network or can be used on a part of the network. We
demonstrate the effectiveness of the donut visualization on two standard SSNs
used in literature.
- Abstract（参考訳）: 空間ソーシャルネットワーク (SSN) は、空間情報を組み込んで、SNA(Social Network Analysis)で使用されるノードとエッジ構造の上に構築される。
したがって、SSNは位相データと空間データの両方を含む。
ノードの地理的埋め込みはノードを自由に移動させることが不可能となり、SNAで使用される標準的なトポロジアルゴリズム(例えば、力配置アルゴリズム)をSSN社会図を可視化するのに効果的にレンダリングする。
本稿では,空間的および社会的情報を利用して接続の向きや規模に関する情報を提供する新しいssns可視化手法を提案する。
ドーナツ視覚化はネットワーク全体を要約したり、ネットワークの一部で使用することができる。
文献における2つの標準SSNにおけるドーナツ可視化の有効性を示す。
関連論文リスト
- GeoAI-Enhanced Community Detection on Spatial Networks with Graph Deep Learning [2.3646445757741064]
本研究では、地域2vecと呼ばれる、GeoAIによる教師なしコミュニティ検出手法のファミリーを提案する。
提案手法は,ノード属性の類似性と空間的相互作用強度を同時に最大化したい場合に,複数のベースラインと比較し,最善を尽くす。
また、公衆衛生における欠落地域脱線問題にも適用され、地域化問題におけるその可能性を実証している。
論文 参考訳（メタデータ） (2024-11-23T03:09:34Z) - Collaborative Graph Neural Networks for Attributed Network Embedding [63.39495932900291]
グラフニューラルネットワーク(GNN)は、属性付きネットワーク埋め込みにおいて顕著な性能を示している。
本稿では,ネットワーク埋め込みに適したGNNアーキテクチャであるCulaborative graph Neural Networks-CONNを提案する。
論文 参考訳（メタデータ） (2023-07-22T04:52:27Z) - DeepSSN: a deep convolutional neural network to assess spatial scene
similarity [11.608756441376544]
本稿では,深部空間シーンネットワーク(Deep Space Scene Network,DeepSSN)を提案する。
提案したDeepSSNを用いて,スケッチマップを用いた空間問合せをユーザが入力する空間シーン探索システムを開発した。
提案手法は,データ拡張後の131,300個のラベル付きシーンサンプルを含むマルチソース・コンバウンド・マップデータを用いて検証する。
論文 参考訳（メタデータ） (2022-02-07T23:53:20Z) - SPAGAN: Shortest Path Graph Attention Network [187.75441278910708]
グラフ畳み込みネットワーク(GCN)は最近、グラフとして表現できる非グリッド構造データを分析する可能性を示した。
本研究では,SPAGAN (Shortest Path Graph Attention Network) と呼ばれる新しいGCNモデルを提案する。
論文 参考訳（メタデータ） (2021-01-10T03:18:34Z) - Node2Seq: Towards Trainable Convolutions in Graph Neural Networks [59.378148590027735]
今回提案するグラフネットワーク層であるNode2Seqは,隣接ノードの重みを明示的に調整可能なノード埋め込みを学習する。
対象ノードに対して,当手法は注意メカニズムを介して隣接ノードをソートし,さらに1D畳み込みニューラルネットワーク(CNN)を用いて情報集約のための明示的な重み付けを行う。
また, 特徴学習のための非局所的情報を, 注意スコアに基づいて適応的に組み込むことを提案する。
論文 参考訳（メタデータ） (2021-01-06T03:05:37Z) - Interpretable Signed Link Prediction with Signed Infomax Hyperbolic
Graph [54.03786611989613]
ソーシャルネットワークにおけるサイン付きリンク予測は、ユーザ(すなわちノード)間の基盤となる関係(リンク)を明らかにすることを目的としている
我々は Signed Infomax Hyperbolic Graph (textbfSIHG) と呼ばれる統一されたフレームワークを開発する。
高次ユーザ関係と複雑な階層をモデル化するために、ノードの埋め込みを投影し、より低歪みの双曲空間で測定する。
論文 参考訳（メタデータ） (2020-11-25T05:09:03Z) - Node Similarity Preserving Graph Convolutional Networks [51.520749924844054]
グラフニューラルネットワーク(GNN)は、ノード近傍の情報を集約し変換することで、グラフ構造とノードの特徴を探索する。
グラフ構造を利用してノード類似性を効果的かつ効率的に保存できるSimP-GCNを提案する。
本研究は,SimP-GCNが3つの分類グラフと4つの非補助グラフを含む7つのベンチマークデータセットに対して有効であることを示す。
論文 参考訳（メタデータ） (2020-11-19T04:18:01Z) - SIA-GCN: A Spatial Information Aware Graph Neural Network with 2D
Convolutions for Hand Pose Estimation [22.516340304722654]
グラフニューラルネットワーク(GNN)は、正規構造上のアプリケーションから任意のグラフ上のアプリケーションまで、ニューラルネットワークを一般化する。
本稿では,各ノードにおける特徴を1次元ベクトルではなく2次元空間信頼マップで表現し,b)隣接するノードからの情報を統合する効率的な操作を提案する。
提案したSIA-GCNは,各ノードの2次元マップから空間情報を効率的に抽出し,グラフ畳み込みにより伝播することができる。
論文 参考訳（メタデータ） (2020-09-25T23:23:09Z) - SNoRe: Scalable Unsupervised Learning of Symbolic Node Representations [0.0]
提案したSNoReアルゴリズムは、個々のネットワークノードのシンボリックで人間の理解可能な表現を学習することができる。
SNoReの解釈可能な特徴は、個々の予測を直接説明するのに適している。
SNoReのベクトル化実装は大規模ネットワークにスケールし、現代のネットワーク学習および分析タスクに適している。
論文 参考訳（メタデータ） (2020-09-08T08:13:21Z) - Temporal Network Representation Learning via Historical Neighborhoods
Aggregation [28.397309507168128]
本稿では,EHNAアルゴリズムによる埋め込みを提案する。
まず,歴史地区のノードを特定できる時間的ランダムウォークを提案する。
次に,ノード埋め込みを誘導するカスタムアテンション機構を用いたディープラーニングモデルを適用する。
論文 参考訳（メタデータ） (2020-03-30T04:18:48Z) - Node Masking: Making Graph Neural Networks Generalize and Scale Better [71.51292866945471]
グラフニューラルネットワーク(GNN)は近年,多くの関心を集めている。
本稿では,芸術空間のGNNの状態によって実行される操作をよりよく可視化するために,いくつかの理論ツールを利用する。
私たちはNode Maskingというシンプルなコンセプトを導入しました。
論文 参考訳（メタデータ） (2020-01-17T06:26:40Z)
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。