論文の概要: AttentionFlow: Visualising Influence in Networks of Time Series
- arxiv url: http://arxiv.org/abs/2102.01974v1
- Date: Wed, 3 Feb 2021 09:44:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-04 16:59:10.716933
- Title: AttentionFlow: Visualising Influence in Networks of Time Series
- Title（参考訳）: attentionflow:時系列ネットワークへの影響の可視化
- Authors: Minjeong Shin, Alasdair Tran, Siqi Wu, Alexander Mathews, Rong Wang,
Georgiana Lyall, Lexing Xie
- Abstract要約: 本稿では,時系列のネットワークと,それらが相互に持つ動的影響を可視化する新しいシステムであるAttentionFlowを紹介する。
曲の注目度は、大賞などの外部イベントや、新曲のリリースなどのネットワークの変化によって説明できることを示す。
AttentionFlowは、道路ネットワークのような物理的なインフラ上の時系列のネットワークや、気象や地質測定のような自然現象を可視化するために一般化することができる。
- 参考スコア（独自算出の注目度）: 80.61555138658578
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The collective attention on online items such as web pages, search terms, and
videos reflects trends that are of social, cultural, and economic interest.
Moreover, attention trends of different items exhibit mutual influence via
mechanisms such as hyperlinks or recommendations. Many visualisation tools
exist for time series, network evolution, or network influence; however, few
systems connect all three. In this work, we present AttentionFlow, a new system
to visualise networks of time series and the dynamic influence they have on one
another. Centred around an ego node, our system simultaneously presents the
time series on each node using two visual encodings: a tree ring for an
overview and a line chart for details. AttentionFlow supports interactions such
as overlaying time series of influence and filtering neighbours by time or
flux. We demonstrate AttentionFlow using two real-world datasets, VevoMusic and
WikiTraffic. We show that attention spikes in songs can be explained by
external events such as major awards, or changes in the network such as the
release of a new song. Separate case studies also demonstrate how an artist's
influence changes over their career, and that correlated Wikipedia traffic is
driven by cultural interests. More broadly, AttentionFlow can be generalised to
visualise networks of time series on physical infrastructures such as road
networks, or natural phenomena such as weather and geological measurements.
- Abstract（参考訳）: webページ、検索語、ビデオなどのオンラインアイテムに対する集合的注目は、社会的、文化的、経済的関心の傾向を反映している。
さらに、各項目の注目傾向は、ハイパーリンクやレコメンデーションなどのメカニズムを介して相互に影響を示す。
時系列、ネットワークの進化、ネットワークの影響など、多くの可視化ツールが存在するが、これら3つをつなぐシステムはほとんどない。
本研究では,時系列のネットワークと,それらが相互に持つ動的影響を可視化する新しいシステムであるAttentionFlowを紹介する。
本システムは,エゴノードを中心に,各ノードの時系列を2つの視覚的エンコーディング(概観のためのツリーリングと細部のためのラインチャート)で同時に表示する。
AttentionFlowは、時間系列の影響のオーバーレイや、時間やフラックスによる近隣のフィルタリングなどのインタラクションをサポートします。
実世界の2つのデータセットであるVevoMusicとWikiTrafficを使ってAttentionFlowを実証する。
曲の注目度は、大賞などの外部イベントや、新曲のリリースなどのネットワークの変化によって説明できることを示しています。
異なるケーススタディでは、アーティストのキャリアにどう影響するかが示され、関連するウィキペディアのトラフィックは文化的な関心によって引き起こされる。
より広範に、AttentionFlowは、道路ネットワークのような物理的なインフラ上の時系列のネットワークや、気象や地質測定のような自然現象を可視化するために一般化することができる。
関連論文リスト
- Convolution-enhanced Evolving Attention Networks [41.684265133316096]
Evolving Attention-enhanced Dilated Convolutional (EA-DC-) Transformerは最先端のモデルを大幅に上回っている。
これは、アテンションマップのレイヤーワイド進化を明示的にモデル化する最初の作品である。
論文 参考訳（メタデータ） (2022-12-16T08:14:04Z) - Between News and History: Identifying Networked Topics of Collective
Attention on Wikipedia [0.0]
トピック検出のための時間的コミュニティ検出手法を開発した。
本手法をウィキペディア上での1年間の現在イベントのデータセットに適用する。
私たちは、現在の出来事を、より確立した知識よりも強く反映するトピックを解決できます。
論文 参考訳（メタデータ） (2022-11-14T18:36:21Z) - Evidential Temporal-aware Graph-based Social Event Detection via
Dempster-Shafer Theory [76.4580340399321]
ETGNN(Evidential Temporal-aware Graph Neural Network)を提案する。
ノードがテキストであり、エッジがそれぞれ複数の共有要素によって決定されるビュー固有グラフを構築する。
ビュー固有の不確実性を考慮すると、すべてのビューの表現は、明らかなディープラーニング(EDL)ニューラルネットワークを介してマス関数に変換される。
論文 参考訳（メタデータ） (2022-05-24T16:22:40Z) - WalkingTime: Dynamic Graph Embedding Using Temporal-Topological Flows [3.8073142980733]
本稿では,時間処理の基本的な違いに基づいて,新しい埋め込みアルゴリズムWalkingTimeを提案する。
我々は、時間的および位相的局所的な相互作用からなるフローを、時間的属性の離散化やアライメントを必要とせずに、プリミティブとして保持する。
論文 参考訳（メタデータ） (2021-11-22T00:04:02Z) - Efficient Modelling Across Time of Human Actions and Interactions [92.39082696657874]
3つの畳み込みニューラルネットワーク(CNND)における現在の固定サイズの時間的カーネルは、入力の時間的変動に対処するために改善できると主張している。
我々は、アーキテクチャの異なるレイヤにまたがる機能の違いを強化することで、アクションのクラス間でどのようにうまく対処できるかを研究する。
提案手法は、いくつかのベンチマークアクション認識データセットで評価され、競合する結果を示す。
論文 参考訳（メタデータ） (2021-10-05T15:39:11Z) - Radflow: A Recurrent, Aggregated, and Decomposable Model for Networks of
Time Series [77.47313102926017]
Radflowは、お互いに影響を与える時系列ネットワークの新しいモデルである。
それは3つの重要なアイデアを具現化します:時間に依存するノード埋め込み、マルチヘッドの注意を持つ隣接するノードからの影響の流れの集約、および時系列の多層分解を得るための繰り返しニューラルネットワーク。
radflowは異なる傾向や季節パターンを学習でき、欠落したノードやエッジに対して頑健であり、ネットワークの隣人間の時間パターンの相関は影響強度を反映している。
論文 参考訳（メタデータ） (2021-02-15T00:57:28Z) - Coarse Temporal Attention Network (CTA-Net) for Driver's Activity
Recognition [14.07119502083967]
ドライバーの活動は、同様の身体部分の動きで同じ被験者によって実行され、微妙な変化をもたらすため、異なります。
我々のモデルはCTA-Net(Coarse Temporal Attention Network)と呼ばれ、粗い時間枝をトレーニング可能な視点で導入する。
モデルは革新的なアテンションメカニズムを使用して、アクティビティ認識のための高レベルなアクション固有のコンテキスト情報を生成する。
論文 参考訳（メタデータ） (2021-01-17T10:15:37Z) - AssembleNet++: Assembling Modality Representations via Attention
Connections [83.50084190050093]
i)セマンティックオブジェクト情報と生の外観と動きの特徴の相互作用を学習し、(ii)ネットワークの各畳み込みブロックにおける特徴の重要性をよりよく学習するために注意を配置する。
ピアアテンションと呼ばれる新しいネットワークコンポーネントを導入し、別のブロックや入力モダリティを使って動的にアテンションウェイトを学習する。
論文 参考訳（メタデータ） (2020-08-18T17:54:08Z) - See More, Know More: Unsupervised Video Object Segmentation with
Co-Attention Siamese Networks [184.4379622593225]
教師なしビデオオブジェクトセグメンテーションタスクに対処するため,CO-attention Siamese Network (COSNet) と呼ばれる新しいネットワークを導入する。
我々は,ビデオフレーム間の固有相関の重要性を強調し,グローバルなコアテンション機構を取り入れた。
本稿では、ビデオ内のリッチなコンテキストをマイニングするために、異なるコアテンションの変種を導出する、統一的でエンドツーエンドのトレーニング可能なフレームワークを提案する。
論文 参考訳（メタデータ） (2020-01-19T11:10:39Z)
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。