論文の概要: A Machine Learning Approach to Predicting Continuous Tie Strengths

• arxiv url: http://arxiv.org/abs/2101.09417v1
• Date: Sat, 23 Jan 2021 05:01:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-20 15:06:13.341694
• Title: A Machine Learning Approach to Predicting Continuous Tie Strengths
• Title（参考訳）: 連続的結合強度予測のための機械学習手法
• Authors: James Flamino, Ross DeVito, Boleslaw K. Szymanski, Omar Lizardo
• Abstract要約: 人々の関係は常に進化し、対人行動を変え、社会集団を定義する。 ソーシャルネットワーク内のノード間の関係は、しばしば調査によって実証的に評価される結合力によって表される。 時間とともに進化する関係の連続的な近似を可能にするシステムを提案する。
• 参考スコア（独自算出の注目度）: 0.4014524824655105
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Relationships between people constantly evolve, altering interpersonal behavior and defining social groups. Relationships between nodes in social networks can be represented by a tie strength, often empirically assessed using surveys. While this is effective for taking static snapshots of relationships, such methods are difficult to scale to dynamic networks. In this paper, we propose a system that allows for the continuous approximation of relationships as they evolve over time. We evaluate this system using the NetSense study, which provides comprehensive communication records of students at the University of Notre Dame over the course of four years. These records are complemented by semesterly ego network surveys, which provide discrete samples over time of each participant's true social tie strength with others. We develop a pair of powerful machine learning models (complemented by a suite of baselines extracted from past works) that learn from these surveys to interpret the communications records as signals. These signals represent dynamic tie strengths, accurately recording the evolution of relationships between the individuals in our social networks. With these evolving tie values, we are able to make several empirically derived observations which we compare to past works.
• Abstract（参考訳）: 人々の関係は常に進化し、対人行動を変え、社会集団を定義する。 ソーシャルネットワーク内のノード間の関係は、しばしば調査によって実証的に評価される結合力によって表される。 これは関係の静的スナップショットを取るのに有効であるが、動的ネットワークへのスケーリングは困難である。 本稿では,時間とともに進化していく関係を連続的に近似するシステムを提案する。 我々は,ノートルダム大学の学生の4年間にわたる総合的なコミュニケーション記録を提供するNetSense研究を用いて,このシステムを評価する。 これらの記録はsemesterly ego network surveysによって補完され、各参加者の真の社会的つながりの強さの時間を通じて個別のサンプルを提供する。 我々は、これらの調査から学習し、通信記録を信号として解釈する、強力な機械学習モデル(過去の研究から抽出したベースライン群によって補完される)を開発した。 これらの信号は動的結合強度を表し、ソーシャルネットワーク内の個人間の関係の進化を正確に記録します。 これらの発展するタイ値によって、我々は過去の作品と比較した経験的に導出されたいくつかの観察をすることができる。

関連論文リスト

• Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
  社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。 本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。 マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
  論文  参考訳（メタデータ） (2024-01-22T18:58:22Z)
• Self-supervised Hypergraph Representation Learning for Sociological Analysis [52.514283292498405]
  本稿では,データマイニング技術と社会学的行動基準のさらなる融合を支援するための基本的な方法論を提案する。 まず,効率的なハイパーグラフ認識と高速グラフ構築フレームワークを提案する。 第2に,ユーザからユーザへのソーシャルインフルエンスを学習するためのハイパーグラフベースニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-12-22T01:20:29Z)
• Known by the company we keep: `Triadic influence' as a proxy for compatibility in social relationships [1.1545092788508224]
  学生が3,000人以上、6万人が肯定的かつ否定的な関係を宣言する13校の実際のソーシャルネットワークを調査した。 ニューラルネットワークを用いて関係を予測し、2人の学生が友人や敵である確率を抽出する。 ニューラルネットワークから抽出された確率は、実際のソーシャルネットワークの進化を制御すると仮定する。
  論文  参考訳（メタデータ） (2022-09-08T09:52:34Z)
• Active Learning of Ordinal Embeddings: A User Study on Football Data [4.856635699699126]
  人間は本来、未知の類似性関数を使用してラベル付けされていないデータセットのインスタンス間の距離を計測する。 この研究はディープ・メトリック・ラーニングを使用して、大規模なフットボールの軌跡データセットのアノテーションからユーザ定義の類似性関数を学習する。
  論文  参考訳（メタデータ） (2022-07-26T07:55:23Z)
• Co-Located Human-Human Interaction Analysis using Nonverbal Cues: A Survey [71.43956423427397]
  本研究の目的は,非言語的キューと計算手法を同定し,効果的な性能を実現することである。 この調査は、最も広い範囲の社会現象と相互作用設定を巻き込むことによって、相手と異なる。 もっともよく使われる非言語キュー、計算方法、相互作用環境、センシングアプローチは、それぞれマイクとカメラを備えた3,4人で構成される会話活動、ベクターマシンのサポート、ミーティングである。
  論文  参考訳（メタデータ） (2022-07-20T13:37:57Z)
• Dynamic Representation Learning with Temporal Point Processes for Higher-Order Interaction Forecasting [8.680676599607123]
  本稿では,これらの問題に対処するためのハイパーエッジ予測のための時間点プロセスモデルを提案する。 私たちの知る限りでは、動的ネットワークのハイパーエッジを予測するために時間点プロセスを使った最初の研究である。
  論文  参考訳（メタデータ） (2021-12-19T14:24:37Z)
• Analyzing Wikipedia Membership Dataset and PredictingUnconnected Nodes in the Signed Networks [0.666659730119789]
  本研究では、Precison-Recall曲線とROCの下の領域を用いて、ソーシャルネットワーク内の2人の非接続者間の関係を予測する方法について検討する。 ソーシャル・ネットワークを署名グラフとしてモデル化し、トライadicモデル、Latent Informationモデル、Sentimentモデルを比較し、ピア・ピア間の相互作用を予測する。
  論文  参考訳（メタデータ） (2021-10-18T09:03:18Z)
• Learning Contact Dynamics using Physically Structured Neural Networks [81.73947303886753]
  ディープニューラルネットワークと微分方程式の接続を用いて、オブジェクト間の接触ダイナミクスを表現するディープネットワークアーキテクチャのファミリを設計する。 これらのネットワークは,ノイズ観測から不連続な接触事象をデータ効率良く学習できることを示す。 以上の結果から,タッチフィードバックの理想化形態は,この学習課題を扱いやすくするための重要な要素であることが示唆された。
  論文  参考訳（メタデータ） (2021-02-22T17:33:51Z)
• Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
  本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。 本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。 我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
  論文  参考訳（メタデータ） (2020-07-07T17:19:56Z)
• I Know Where You Are Coming From: On the Impact of Social Media Sources on AI Model Performance [79.05613148641018]
  我々は、異なるソーシャルネットワークのマルチモーダルデータから学習する際、異なる機械学習モデルの性能について検討する。 最初の実験結果から,ソーシャルネットワークの選択がパフォーマンスに影響を及ぼすことが明らかとなった。
  論文  参考訳（メタデータ） (2020-02-05T11:10:44Z)

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。