論文の概要: Creating Compact Regions of Social Determinants of Health
- arxiv url: http://arxiv.org/abs/2209.11836v1
- Date: Fri, 23 Sep 2022 20:02:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 16:51:18.243880
- Title: Creating Compact Regions of Social Determinants of Health
- Title（参考訳）: 健康の社会的決定要因のコンパクトな領域の創出
- Authors: Barrett Lattimer, Alan Lattimer
- Abstract要約: 本研究では,Agglomerative Clustering, SKATER, REDCAP, AZP, Max-P-Regionsといった最先端の地域化手法を比較した。
実世界のSDOHデータのスケールは、この研究で最大100万のデータポイントに達し、異なるデータセットのアルゴリズムを比較するだけでなく、各地域化アルゴリズムのストレステストを提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Regionalization is the act of breaking a dataset into contiguous homogeneous
regions that are heterogeneous from each other. Many different algorithms exist
for performing regionalization; however, using these algorithms on large real
world data sets have only become feasible in terms of compute power in recent
years. Very few studies have been done comparing different regionalization
methods, and those that do lack analysis in memory, scalability, geographic
metrics, and large-scale real-world applications. This study compares
state-of-the-art regionalization methods, namely, Agglomerative Clustering,
SKATER, REDCAP, AZP, and Max-P-Regions using real world social determinant of
health (SDOH) data. The scale of real world SDOH data, up to 1 million data
points in this study, not only compares the algorithms over different data sets
but provides a stress test for each individual regionalization algorithm, most
of which have never been run on such scales previously. We use several new
geographic metrics to compare algorithms as well as perform a comparative
memory analysis. The prevailing regionalization method is then compared with
unconstrained K-Means clustering on their ability to separate real health data
in Virginia and Washington DC.
- Abstract（参考訳）: 地域化とは、データセットを互いに異質な連続した均質な領域に分割する行為である。
地域化を行うための多くの異なるアルゴリズムが存在するが、大規模な実世界のデータセットでこれらのアルゴリズムを使用することは、近年計算能力の面でしか実現できない。
異なる地域化手法の比較研究はほとんど行われておらず、メモリ、スケーラビリティ、地理的メトリクス、大規模現実世界のアプリケーションの分析に欠ける。
本研究では,sdoh(real world social determinant of health)データを用いて,最先端の地域化手法,すなわち凝集クラスタリング,スケーター,redcap,azp,max-p-リージョンを比較した。
実世界のSDOHデータのスケールは、この研究で最大100万のデータポイントに達し、異なるデータセットのアルゴリズムを比較するだけでなく、各地域化アルゴリズムのストレステストを提供する。
我々は、アルゴリズムの比較や比較メモリ分析を行うために、いくつかの新しい地理的指標を使用する。
一般的な地域化手法は、バージニアとワシントンD.C.で実際の健康データを分離する能力に基づいて、制約のないK-Meansクラスタリングと比較される。
関連論文リスト
- Stability and Generalization for Distributed SGDA [70.97400503482353]
分散SGDAのための安定性に基づく一般化分析フレームワークを提案する。
我々は, 安定性の誤差, 一般化ギャップ, 人口リスクの包括的分析を行う。
理論的結果から,一般化ギャップと最適化誤差のトレードオフが明らかになった。
論文 参考訳（メタデータ） (2024-11-14T11:16:32Z) - Beyond Data Points: Regionalizing Crowdsourced Latency Measurements [6.921364920053057]
インターネットのパフォーマンスをサンプリングするための安定な境界を構築するために,クラウドソーシングデータセットの空間解析を行う。
サンプリングバウンダリの安定性は、インターネットのパフォーマンス格差の真の性質を反映する。
これらの結果は,インターネット性能の分布を正確に評価し,最適化する上で,空間モデルの重要性を浮き彫りにしている。
論文 参考訳（メタデータ） (2024-05-18T01:39:22Z) - Region Generation and Assessment Network for Occluded Person
Re-Identification [43.49129366128688]
個人再識別(ReID)は近年,幅広い応用分野において,より重要な役割を担っている。
ほとんどの手法は、ボディ部分の特定やマッチング戦略の活用に外部ツールを活用することで、このような課題に対処する。
人体領域を効果的かつ効率的に検出する領域生成評価ネットワーク(RGANet)を提案する。
論文 参考訳（メタデータ） (2023-09-07T08:41:47Z) - Comparison of machine learning algorithms for merging gridded satellite
and earth-observed precipitation data [7.434517639563671]
我々は,グローバル・ヒストリカル・クリマトロジー・ネットワークの月次降水データ,バージョン2。
その結果,2乗誤差スコアリング関数が最も正確であることが示唆された。
論文 参考訳（メタデータ） (2022-12-17T09:39:39Z) - Jalisco's multiclass land cover analysis and classification using a
novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。
本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。
組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
論文 参考訳（メタデータ） (2022-01-26T14:58:51Z) - Machine learning approaches for localized lockdown during COVID-19: a
case study analysis [0.0]
Sars-CoV-2は、世界的なパンデミックとなった重要な急性呼吸器疾患として登場した。
ブラジルは、国家と自治体の社会経済的差異が大きいため、ウイルス対策に苦慮している。
本研究では,ブラジルの新型コロナウイルスデータに適用したさまざまな機械学習アルゴリズムとディープラーニングアルゴリズムを用いた新しいアプローチを提案する。
論文 参考訳（メタデータ） (2022-01-03T15:32:06Z) - Clustered Federated Learning via Generalized Total Variation
Minimization [83.26141667853057]
本研究では,分散ネットワーク構造を持つローカルデータセットの局所的(あるいはパーソナライズされた)モデルを学習するための最適化手法について検討する。
我々の主要な概念的貢献は、総変動最小化(GTV)としてフェデレーション学習を定式化することである。
私たちのアルゴリズムの主な貢献は、完全に分散化されたフェデレーション学習アルゴリズムです。
論文 参考訳（メタデータ） (2021-05-26T18:07:19Z) - Quasi-Global Momentum: Accelerating Decentralized Deep Learning on
Heterogeneous Data [77.88594632644347]
ディープラーニングモデルの分散トレーニングは、ネットワーク上でデータプライバシとデバイス上での学習を可能にする重要な要素である。
現実的な学習シナリオでは、異なるクライアントのローカルデータセットに異質性が存在することが最適化の課題となる。
本稿では,この分散学習の難しさを軽減するために,運動量に基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2021-02-09T11:27:14Z) - Cross-Domain Facial Expression Recognition: A Unified Evaluation
Benchmark and Adversarial Graph Learning [85.6386289476598]
我々は,クロスドメイン全体的特徴共適応のための新しい逆グラフ表現適応(AGRA)フレームワークを開発した。
我々は,いくつかの一般的なベンチマークで広範囲かつ公平な評価を行い,提案したAGRAフレームワークが従来の最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-08-03T15:00:31Z) - Adaptive Region-Based Active Learning [57.78835999208091]
入力空間を有限個の領域に適応的に分割する新しい能動学習アルゴリズムを提案する。
本稿では,アルゴリズムの一般化誤差とラベル複雑性の両立を理論的に保証する。
いくつかの実世界のデータセットに対する広範な実験結果について報告する。
論文 参考訳（メタデータ） (2020-02-18T03:16:36Z)
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。