論文の概要: From Cities to Series: Complex Networks and Deep Learning for Improved
Spatial and Temporal Analytics*
- arxiv url: http://arxiv.org/abs/2206.01176v1
- Date: Wed, 1 Jun 2022 11:04:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-03 13:50:07.043751
- Title: From Cities to Series: Complex Networks and Deep Learning for Improved
Spatial and Temporal Analytics*
- Title（参考訳）: 都市からシリーズへ:空間的・時間的分析を改善する複雑なネットワークとディープラーニング
- Authors: Gabriel Spadon, Jose F. Rodrigues-Jr
- Abstract要約: この論文は複雑なネットワークと機械学習技術を組み合わせて、パンデミック、垂直移動、およびストリートネットワークで観察される人間の現象の理解を改善する。
i) 集中治療室における流行の伝播, 天気予報, 患者モニタリングの応用により, 空間的および時間的データで観測される動的なプロセスをモデル化できる新しいニューラルネットワークアーキテクチャ, (ii) ブラジルのすべての都市間における人間の移動性の範囲におけるリンクを分析し予測するための機械学習手法を貢献する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graphs have often been used to answer questions about the interaction between
real-world entities by taking advantage of their capacity to represent complex
topologies. Complex networks are known to be graphs that capture such
non-trivial topologies; they are able to represent human phenomena such as
epidemic processes, the dynamics of populations, and the urbanization of
cities. The investigation of complex networks has been extrapolated to many
fields of science, with particular emphasis on computing techniques, including
artificial intelligence. In such a case, the analysis of the interaction
between entities of interest is transposed to the internal learning of
algorithms, a paradigm whose investigation is able to expand the state of the
art in Computer Science. By exploring this paradigm, this thesis puts together
complex networks and machine learning techniques to improve the understanding
of the human phenomena observed in pandemics, pendular migration, and street
networks. Accordingly, we contribute with: (i) a new neural network
architecture capable of modeling dynamic processes observed in spatial and
temporal data with applications in epidemics propagation, weather forecasting,
and patient monitoring in intensive care units; (ii) a machine-learning
methodology for analyzing and predicting links in the scope of human mobility
between all the cities of Brazil; and, (iii) techniques for identifying
inconsistencies in the urban planning of cities while tracking the most
influential vertices, with applications over Brazilian and worldwide cities. We
obtained results sustained by sound evidence of advances to the state of the
art in artificial intelligence, rigorous formalisms, and ample experimentation.
Our findings rely upon real-world applications in a range of domains,
demonstrating the applicability of our methodologies.
- Abstract（参考訳）: グラフはしばしば、複雑なトポロジを表現する能力を活用することで、現実世界の実体間の相互作用に関する質問に答えるために使われてきた。
複雑なネットワークはそのような非自明なトポロジを捉えるグラフとして知られており、流行の過程や人口動態、都市の都市化といった人間の現象を表現できる。
複雑なネットワークの調査は、人工知能を含む計算技術に特に重点を置いて、科学の多くの分野に及んでいる。
このような場合、関心の実体間の相互作用の分析は、コンピュータサイエンスにおける最先端の技術を研究対象とするパラダイムであるアルゴリズムの内部学習に変換される。
このパラダイムを探求することで、この論文は複雑なネットワークと機械学習技術を組み合わせて、パンデミック、垂直移動、ストリートネットワークで見られる人間の現象の理解を改善する。
したがって、私たちは次のように貢献します。
一 空間的及び時間的データに観察される動的過程をモデル化し、集中治療単位における伝染伝播、天気予報及び患者モニタリングに応用することができる新しいニューラルネットワークアーキテクチャ
二 ブラジルのすべての都市間の人の移動範囲のリンクを解析し、予測するための機械学習の方法、及び
(iii)最も影響力のある頂点を追跡しながら、都市の都市計画における不整合を特定するための技術と、ブラジル及び世界的な都市に適用すること。
我々は,人工知能,厳格な形式主義,豊富な実験において,最先端技術の健全な証拠が得られた。
本研究は,様々な領域における実世界の応用に依拠し,方法論の適用性を示すものである。
関連論文リスト
- Learning Interpretable Network Dynamics via Universal Neural Symbolic Regression [5.813728143193046]
複雑なシステム状態のシンボリックな変化パターンを, 自動的に, 効率的に, 正確に学習できる普遍的な計算ツールを開発した。
その結果,ネットワーク力学における最先端のシンボルレグレッション手法と比較し,ツールの有効性と効率性を実証した。
地球規模の伝染病や歩行者運動を含む現実世界のシステムへの適用は、その実用性を検証する。
論文 参考訳（メタデータ） (2024-11-11T09:51:22Z) - Artificial Intelligence for Complex Network: Potential, Methodology and
Application [23.710627896950438]
複雑なネットワーク科学は、実際のネットワークの基盤となる統計力学、構造、力学の理解を大幅に強化した。
人工知能(AI)技術の出現は、複雑なネットワーク科学研究の新しい時代を告げている。
この調査は、複雑なネットワーク研究の難題を克服する上で、AIの潜在的な利点を体系的に解決することを目的としている。
論文 参考訳（メタデータ） (2024-02-23T09:06:36Z) - Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳（メタデータ） (2024-02-20T15:23:24Z) - Stepping out of Flatland: Discovering Behavior Patterns as Topological Structures in Cyber Hypergraphs [0.7835894511242797]
本稿では,ハイパーグラフとトポロジ理論に基づく新しいフレームワークを提案する。
大規模なサイバーネットワークデータセットで具体例を示す。
論文 参考訳（メタデータ） (2023-11-08T00:00:33Z) - Computation-efficient Deep Learning for Computer Vision: A Survey [121.84121397440337]
ディープラーニングモデルは、さまざまな視覚的知覚タスクにおいて、人間レベルのパフォーマンスに到達または超えた。
ディープラーニングモデルは通常、重要な計算資源を必要とし、現実のシナリオでは非現実的な電力消費、遅延、または二酸化炭素排出量につながる。
新しい研究の焦点は計算効率のよいディープラーニングであり、推論時の計算コストを最小限に抑えつつ、良好な性能を達成することを目指している。
論文 参考訳（メタデータ） (2023-08-27T03:55:28Z) - Multi-Temporal Relationship Inference in Urban Areas [75.86026742632528]
場所間の時間的関係を見つけることは、動的なオフライン広告やスマートな公共交通計画など、多くの都市アプリケーションに役立つ。
空間的に進化するグラフニューラルネットワーク(SEENet)を含むグラフ学習方式によるTrialの解を提案する。
SEConvは時間内アグリゲーションと時間間伝搬を実行し、位置メッセージパッシングの観点から、多面的に空間的に進化するコンテキストをキャプチャする。
SE-SSLは、位置表現学習を強化し、関係の空間性をさらに扱えるように、グローバルな方法でタイムアウェアな自己教師型学習タスクを設計する。
論文 参考訳（メタデータ） (2023-06-15T07:48:32Z) - Spatiotemporal Patterns in Neurobiology: An Overview for Future
Artificial Intelligence [0.0]
我々は,ネットワーク相互作用から生じる機能を明らかにする上で,計算モデルが重要なツールであると主張している。
ここでは、スパイキングニューロン、統合ニューロン、発火ニューロンを含むいくつかのモデルのクラスについてレビューする。
これらの研究は、人工知能アルゴリズムの今後の発展と、脳のプロセスの理解の検証に役立つことを願っている。
論文 参考訳（メタデータ） (2022-03-29T10:28:01Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - 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) - Deep learning of contagion dynamics on complex networks [0.0]
本稿では,ネットワーク上での感染動態の効果的なモデルを構築するために,ディープラーニングに基づく補完的アプローチを提案する。
任意のネットワーク構造をシミュレーションすることで,学習したダイナミックスの性質を学習データを超えて探索することが可能になる。
この結果は,ネットワーク上での感染動態の効果的なモデルを構築するために,ディープラーニングが新たな補完的な視点を提供することを示す。
論文 参考訳（メタデータ） (2020-06-09T17:18:34Z) - 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。