論文の概要: Research topic trend prediction of scientific papers based on spatial
enhancement and dynamic graph convolution network
- arxiv url: http://arxiv.org/abs/2203.16256v1
- Date: Wed, 30 Mar 2022 12:38:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-31 16:24:39.638473
- Title: Research topic trend prediction of scientific papers based on spatial
enhancement and dynamic graph convolution network
- Title（参考訳）: 空間拡張と動的グラフ畳み込みネットワークに基づく科学論文の研究動向予測
- Authors: Changwei Zheng and Zhe Xue and Meiyu Liang and Feifei Kou
- Abstract要約: 近年,科学研究への社会投資の増加に伴い,様々な分野の研究成果が著しく増加している。
様々な研究テーマ間の相関関係がますます高まっているため、多数の研究テーマの間には一定の依存関係関係がある。
本稿では,ディープニューラルネットワークに基づくホットネス予測アルゴリズム,時間畳み込みネットワークモデルを提案する。
- 参考スコア（独自算出の注目度）: 6.73620879761516
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, with the increase of social investment in scientific
research, the number of research results in various fields has increased
significantly. Accurately and effectively predicting the trends of future
research topics can help researchers discover future research hotspots.
However, due to the increasingly close correlation between various research
themes, there is a certain dependency relationship between a large number of
research themes. Viewing a single research theme in isolation and using
traditional sequence problem processing methods cannot effectively explore the
spatial dependencies between these research themes. To simultaneously capture
the spatial dependencies and temporal changes between research topics, we
propose a deep neural network-based research topic hotness prediction
algorithm, a spatiotemporal convolutional network model. Our model combines a
graph convolutional neural network (GCN) and Temporal Convolutional Network
(TCN), specifically, GCNs are used to learn the spatial dependencies of
research topics a and use space dependence to strengthen spatial
characteristics. TCN is used to learn the dynamics of research topics' trends.
Optimization is based on the calculation of weighted losses based on time
distance. Compared with the current mainstream sequence prediction models and
similar spatiotemporal models on the paper datasets, experiments show that, in
research topic prediction tasks, our model can effectively capture
spatiotemporal relationships and the predictions outperform state-of-art
baselines.
- Abstract（参考訳）: 近年,科学研究への社会投資の増加に伴い,様々な分野の研究成果が著しく増加している。
将来の研究トピックの傾向を正確かつ効果的に予測することは、将来の研究ホットスポットを発見するのに役立つ。
しかし,様々な研究テーマ間の関係が深まるにつれて,多くの研究テーマの間には一定の依存関係が存在する。
単一研究テーマを分離し,従来のシーケンス問題処理手法を用いることで,これらの研究テーマ間の空間的依存関係を効果的に探索することはできない。
研究トピック間の空間依存性と時間変化を同時に捉えるために,深層ニューラルネットワークに基づく研究トピックのホットネス予測アルゴリズム,時空間畳み込みネットワークモデルを提案する。
本モデルでは, グラフ畳み込みニューラルネットワーク(GCN)と時間畳み込みニューラルネットワーク(TCN)を組み合わせて, 研究トピックaの空間依存性を学習し, 空間依存性を利用して空間特性を強化する。
TCNは、研究トピックのトレンドのダイナミクスを学ぶために使用される。
最適化は時間距離に基づく重み付き損失の計算に基づく。
論文データセット上の現在の主流シーケンス予測モデルや同様の時空間モデルと比較すると、研究トピック予測タスクでは、我々のモデルは時空間関係を効果的に捉え、その予測は最先端のベースラインを上回っている。
関連論文リスト
- Autaptic Synaptic Circuit Enhances Spatio-temporal Predictive Learning of Spiking Neural Networks [23.613277062707844]
Spiking Neural Networks (SNNs) は、生物学的ニューロンで見られる統合ファイアリーク機構をエミュレートする。
既存のSNNは、主にIntegrate-and-Fire Leaky(LIF)モデルに依存している。
本稿では,S-patioTemporal Circuit (STC) モデルを提案する。
論文 参考訳（メタデータ） (2024-06-01T11:17:27Z) - Deep Learning-based Analysis of Basins of Attraction [49.812879456944984]
本研究は,様々な力学系における盆地の複雑さと予測不可能性を特徴づけることの課題に対処する。
主な焦点は、この分野における畳み込みニューラルネットワーク(CNN)の効率性を示すことである。
論文 参考訳（メタデータ） (2023-09-27T15:41:12Z) - Mapping Computer Science Research: Trends, Influences, and Predictions [0.0]
我々は、トレンド研究領域を予測するために、決定木やロジスティック回帰モデルを含む高度な機械学習技術を採用している。
分析の結果,研究論文(参照数)に引用される参考資料の数は,トレンド研究領域を決定する上で重要な役割を担っていることが明らかとなった。
ロジスティック回帰モデルは、傾向を予測するために決定木モデルより優れ、高い精度、精度、リコール、F1スコアを示す。
論文 参考訳（メタデータ） (2023-08-01T16:59:25Z) - A Diachronic Analysis of Paradigm Shifts in NLP Research: When, How, and
Why? [84.46288849132634]
本稿では、因果発見と推論技術を用いて、科学分野における研究トピックの進化を分析するための体系的な枠組みを提案する。
我々は3つの変数を定義し、NLPにおける研究トピックの進化の多様な側面を包含する。
我々は因果探索アルゴリズムを用いてこれらの変数間の因果関係を明らかにする。
論文 参考訳（メタデータ） (2023-05-22T11:08:00Z) - Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。
我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
論文 参考訳（メタデータ） (2022-07-18T11:38:32Z) - An Adaptive Federated Relevance Framework for Spatial Temporal Graph
Learning [14.353798949041698]
本稿では,空間時間グラフ学習のための適応型フェデレーション関連フレームワークであるFedRelを提案する。
フレームワークのコアとなるDynamic Inter-Intra Graph (DIIG)モジュールは、これらの機能を使用して空間時間グラフを生成することができる。
局所的なデータプライバシーを維持しながらモデルの一般化能力と性能を向上させるため、関連性駆動型フェデレーション学習モジュールを設計する。
論文 参考訳（メタデータ） (2022-06-07T16:12:17Z) - Temporal Relevance Analysis for Video Action Models [70.39411261685963]
まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。
次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
論文 参考訳（メタデータ） (2022-04-25T19:06:48Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z) - Spatio-Temporal Functional Neural Networks [11.73856529960872]
本稿では,多くの研究者によって有効性が証明された時間回帰モデルであるニューラル・ファンクショナル・ネットワーク(FNN)の2つの新しい拡張を提案する。
提案したモデルは気象分野における実用的で挑戦的な降水予測問題を解決するために展開される。
論文 参考訳（メタデータ） (2020-09-11T21:32:35Z) - Deep Learning for Community Detection: Progress, Challenges and
Opportunities [79.26787486888549]
この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。
この記事では、ディープニューラルネットワークにおける様々なフレームワーク、モデル、アルゴリズムの貢献について要約する。
論文 参考訳（メタデータ） (2020-05-17T11:22:11Z)
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。