論文の概要: Spatiotemporal Data Mining: A Survey on Challenges and Open Problems
- arxiv url: http://arxiv.org/abs/2103.17128v1
- Date: Wed, 31 Mar 2021 14:48:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-01 14:18:56.182607
- Title: Spatiotemporal Data Mining: A Survey on Challenges and Open Problems
- Title(参考訳): 時空間データマイニング:課題とオープン問題に関する調査
- Authors: Ali Hamdi, Khaled Shaban, Abdelkarim Erradi, Amr Mohamed, Shakila Khan
Rumi, Flora Salim
- Abstract要約: STDMは空間と時間の間の動的相互作用から有用なパターンを発見する。
犯罪と公共の安全、交通と交通、地球と環境の監視、ソーシャルメディア、モノのインターネットなど、複数のアプリケーションに関連するSTDMの問題。
- 参考スコア(独自算出の注目度): 7.955837864506321
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Spatiotemporal data mining (STDM) discovers useful patterns from the dynamic
interplay between space and time. Several available surveys capture STDM
advances and report a wealth of important progress in this field. However, STDM
challenges and problems are not thoroughly discussed and presented in articles
of their own. We attempt to fill this gap by providing a comprehensive
literature survey on state-of-the-art advances in STDM. We describe the
challenging issues and their causes and open gaps of multiple STDM directions
and aspects. Specifically, we investigate the challenging issues in regards to
spatiotemporal relationships, interdisciplinarity, discretisation, and data
characteristics. Moreover, we discuss the limitations in the literature and
open research problems related to spatiotemporal data representations,
modelling and visualisation, and comprehensiveness of approaches. We explain
issues related to STDM tasks of classification, clustering, hotspot detection,
association and pattern mining, outlier detection, visualisation, visual
analytics, and computer vision tasks. We also highlight STDM issues related to
multiple applications including crime and public safety, traffic and
transportation, earth and environment monitoring, epidemiology, social media,
and Internet of Things.
- Abstract(参考訳): 時空間データマイニング(STDM)は、空間と時間の間の動的相互作用から有用なパターンを発見する。
利用可能ないくつかの調査はSTDMの進歩を捉え、この分野の重要な進歩を報告している。
しかし、STDMの課題や課題は十分に議論されておらず、彼ら自身の論文で紹介されている。
我々は,STDMの最先端に関する総合的な文献調査を提供することで,このギャップを埋めようとしている。
複数のSTDM方向と側面の課題とその原因と開き間隙について述べる。
具体的には,時空間的関係,学際性,離散性,データ特性に関する課題について検討する。
さらに,時空間データ表現,モデリングと可視化,アプローチの包括性に関連する文献やオープンな研究の限界についても論じる。
本稿では,stdmタスクである分類,クラスタリング,ホットスポット検出,関連付けとパターンマイニング,異常検出,可視化,ビジュアル分析,コンピュータビジョンタスクに関する課題について述べる。
また、犯罪や公共の安全、交通や交通、地球と環境のモニタリング、疫学、ソーシャルメディア、モノのインターネットなど、様々な応用に関するSTDMの課題も強調する。
関連論文リスト
- Data Augmentation in Human-Centric Vision [54.97327269866757]
本研究では,人間中心型視覚タスクにおけるデータ拡張手法の包括的分析を行う。
それは、人物のReID、人間のパーシング、人間のポーズ推定、歩行者検出など、幅広い研究領域に展開している。
我々の研究は、データ拡張手法をデータ生成とデータ摂動の2つの主なタイプに分類する。
論文 参考訳(メタデータ) (2024-03-13T16:05:18Z) - Large Language Models(LLMs) on Tabular Data: Prediction, Generation, and
Understanding -- A Survey [17.765458116029734]
現在、この研究領域における主要なテクニック、メトリクス、データセット、モデル、最適化アプローチを要約し比較する包括的なレビューが欠如しています。
この調査は、これらの領域における最近の進歩を集約し、使用するデータセット、メトリクス、方法論の詳細な調査と分類を提供することによって、このギャップに対処することを目的としている。
既存の文献の強さ、限界、未探索領域、ギャップを識別し、この重要かつ急速に発展する分野における将来の研究の方向性についていくつかの洞察を提供する。
論文 参考訳(メタデータ) (2024-02-27T23:59:01Z) - Recent Advances in Hate Speech Moderation: Multimodality and the Role of
Large Models [30.874919553344856]
この包括的調査は、HSモデレーションの最近の歩みを掘り下げている。
大型言語モデル(LLM)と大規模マルチモーダルモデル(LMM)の急成長する役割を強調した。
研究における既存のギャップを、特に表現不足言語や文化の文脈で特定する。
論文 参考訳(メタデータ) (2024-01-30T03:51:44Z) - Controllable Text Summarization: Unraveling Challenges, Approaches, and
Prospects -- A Survey [8.076841611508488]
ジェネリックテキスト要約アプローチは、個々のユーザの特定の意図やニーズに対処できないことが多い。
我々は、制御可能なテキスト要約(CTS)タスクを形式化し、その共有特性と目的に応じて制御可能なアスペクトを分類する。
論文 参考訳(メタデータ) (2023-11-15T18:55:43Z) - Enhancing Human-like Multi-Modal Reasoning: A New Challenging Dataset
and Comprehensive Framework [51.44863255495668]
マルチモーダル推論は、人間のような知性を示す人工知能システムの追求において重要な要素である。
提案するマルチモーダル推論(COCO-MMR)データセットは,オープンエンド質問の集合を包含する新しいデータセットである。
画像とテキストエンコーダを強化するために,マルチホップ・クロスモーダル・アテンションや文レベルのコントラスト学習などの革新的な手法を提案する。
論文 参考訳(メタデータ) (2023-07-24T08:58:25Z) - A Comprehensive Survey of Forgetting in Deep Learning Beyond Continual
Learning [76.47138162283714]
蓄積とは、以前取得した情報や知識の喪失または劣化を指す。
フォッテッティングは、深層学習における様々な研究領域でよく見られる現象である。
調査では、忘れることは二重刃の剣であり、ある場合には有益で望ましいと論じている。
論文 参考訳(メタデータ) (2023-07-16T16:27:58Z) - Learning Neural Models for Continuous-Time Sequences [0.0]
連続時間イベントシーケンス(CTES)の特性について検討し、上記の問題を克服するために、堅牢でスケーラブルなニューラルネットワークベースモデルを設計する。
本研究では,MTPPを用いた事象の生成過程をモデル化し,現実世界の幅広い問題に対処する。
論文 参考訳(メタデータ) (2021-11-13T20:39:15Z) - Fine-Grained Image Analysis with Deep Learning: A Survey [146.22351342315233]
きめ細かい画像解析(FGIA)は、コンピュータビジョンとパターン認識における長年の根本的な問題である。
本稿では、FGIAの分野を再定義し、FGIAの2つの基礎研究領域、細粒度画像認識と細粒度画像検索を統合することで、FGIAの分野を広げようとしている。
論文 参考訳(メタデータ) (2021-11-11T09:43:56Z) - Automatic Gaze Analysis: A Survey of DeepLearning based Approaches [61.32686939754183]
視線分析はコンピュータビジョンとヒューマン・コンピュータ・インタラクションの分野で重要な研究課題である。
制約のない環境で視線方向を解釈するための重要な手がかりは何か、いくつかのオープンな質問がある。
我々は、これらの基本的な疑問に光を当てるために、様々な視線分析タスクと応用の進捗を概観する。
論文 参考訳(メタデータ) (2021-08-12T00:30:39Z) - Challenges in biomarker discovery and biorepository for Gulf-war-disease
studies: a novel data platform solution [48.7576911714538]
ROSALINDという新しいデータプラットフォームを導入し、課題を克服し、健全で重要なコラボレーションを育み、科学的調査を進めます。
ROSALINDは、自己管理されたアクセシビリティ、リンク性、可積分性、中立性、信頼性を持つリソース有機体を指します。
過去12ヶ月のGWI研究におけるROSALINDの展開により、データ実験と分析のペースが加速し、多数のエラーソースが削除され、研究品質と生産性が向上しました。
論文 参考訳(メタデータ) (2021-02-04T20:38:30Z) - Multimodal Research in Vision and Language: A Review of Current and
Emerging Trends [41.07256031348454]
本稿では,視覚的・言語的モダリティに関する最新の研究動向について概説する。
タスクの定式化におけるその応用と、意味認識やコンテンツ生成に関する様々な問題を解決する方法について検討する。
私たちは、この領域をよりモジュール的で透明なインテリジェントなシステムに向け、過去に現れた、多分野のパターンと洞察に光を当てました。
論文 参考訳(メタデータ) (2020-10-19T13:55:10Z)
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。