論文の概要: TensorAnalyzer: Identification of Urban Patterns in Big Cities using
Non-Negative Tensor Factorization
- arxiv url: http://arxiv.org/abs/2210.02623v1
- Date: Thu, 6 Oct 2022 01:04:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-07 15:32:40.870058
- Title: TensorAnalyzer: Identification of Urban Patterns in Big Cities using
Non-Negative Tensor Factorization
- Title（参考訳）: テンソルアナライザー:非負性テンソル因子化を用いた大都市における都市パターンの同定
- Authors: Jaqueline Silveira, Germain Garc\'ia, Afonso Paiva, Marcelo Nery,
Sergio Adorno, Luis Gustavo Nonato
- Abstract要約: 本稿では,テンソル分解に基づく複数のデータソースから最も関連性の高い都市パターンを検出するための新しい手法を提案する。
提案手法の有効性と有用性を検証した汎用フレームワークAnalyzerを開発した。
- 参考スコア（独自算出の注目度）: 8.881421521529198
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Extracting relevant urban patterns from multiple data sources can be
difficult using classical clustering algorithms since we have to make a
suitable setup of the hyperparameters of the algorithms and deal with outliers.
It should be addressed correctly to help urban planners in the decision-making
process for the further development of a big city. For instance, experts' main
interest in criminology is comprehending the relationship between crimes and
the socio-economic characteristics at specific georeferenced locations. In
addition, the classical clustering algorithms take little notice of the
intricate spatial correlations in georeferenced data sources. This paper
presents a new approach to detecting the most relevant urban patterns from
multiple data sources based on tensor decomposition. Compared to classical
methods, the proposed approach's performance is attested to validate the
identified patterns' quality. The result indicates that the approach can
effectively identify functional patterns to characterize the data set for
further analysis in achieving good clustering quality. Furthermore, we
developed a generic framework named TensorAnalyzer, where the effectiveness and
usefulness of the proposed methodology are tested by a set of experiments and a
real-world case study showing the relationship between the crime events around
schools and students performance and other variables involved in the analysis.
- Abstract（参考訳）: 複数のデータソースから関連する都市パターンを抽出することは、アルゴリズムのハイパーパラメータを適切に設定し、外れ値を扱う必要があるため、古典的なクラスタリングアルゴリズムを使って難しい場合がある。
大都市のさらなる発展のための意思決定プロセスにおいて、都市計画者を支援するために、正しく対処すべきである。
例えば、専門家の犯罪学に対する主な関心は、特定の地理的な場所における犯罪と社会経済的特性の関係を理解することである。
さらに、古典的なクラスタリングアルゴリズムは、地理参照データソースの複雑な空間相関にほとんど注意を払わない。
本稿では、テンソル分解に基づく複数のデータソースから最も関連性の高い都市パターンを検出する新しい手法を提案する。
古典的手法と比較して,提案手法の性能は同定されたパターンの品質を評価するために検証される。
以上の結果から,このアプローチは,優れたクラスタリング品質を達成する上で,データ集合を特徴付ける機能的パターンを効果的に識別できることが示唆された。
さらに,提案手法の有効性と有用性について,一組の実験によって検証し,実世界ケーススタディにより,学校周辺における犯罪事象と学生のパフォーマンスと,分析に関わる他の変数との関係を検証した,TensorAnalyzerという汎用フレームワークを開発した。
関連論文リスト
- Comprehensive Review and Empirical Evaluation of Causal Discovery Algorithms for Numerical Data [3.9523536371670045]
因果解析は、様々な分野における現象の根本原因を理解する上で不可欠な要素となっている。
因果発見アルゴリズムに関する既存の文献は、一貫性のない方法論で断片化されている。
包括的な評価の欠如、すなわちデータ特性は、ベンチマークアルゴリズムにおいて共同で解析されることがしばしば無視される。
論文 参考訳（メタデータ） (2024-07-17T23:47:05Z) - Hierarchical Bayes Approach to Personalized Federated Unsupervised
Learning [7.8583640700306585]
階層型ベイズ統計フレームワークに着想を得た最適化基準に基づくアルゴリズムを開発する。
我々は,限られたローカルデータと協調情報とのバランスを検出する適応アルゴリズムを開発した。
提案アルゴリズムを合成データと実データを用いて評価し、パーソナライズされたタスクに対する効果的なサンプル増幅を実証した。
論文 参考訳（メタデータ） (2024-02-19T20:53:27Z) - Geospatial Disparities: A Case Study on Real Estate Prices in Paris [0.3495246564946556]
地理空間データから生じるバイアスを識別・緩和するためのツールキットを提案する。
空間的属性を持つ順序回帰ケースを2次分類の焦点から逸脱する。
本手法を概説し,本手法の実践的応用を実証し,公正度と校正対策のための地理的集約レベルを選択することの意味を精査する。
論文 参考訳（メタデータ） (2024-01-29T14:53:14Z) - Improving Heterogeneous Model Reuse by Density Estimation [105.97036205113258]
本稿では,異なる参加者の個人データを用いてモデルを学習することを目的とした多人数学習について検討する。
モデルの再利用は、各パーティーのためにローカルモデルがトレーニングされていると仮定して、マルチパーティの学習にとって有望なソリューションである。
論文 参考訳（メタデータ） (2023-05-23T09:46:54Z) - Hub-VAE: Unsupervised Hub-based Regularization of Variational
Autoencoders [11.252245456934348]
我々は、ハブベースの先行とハブベースのコントラスト損失を混合した非教師付きデータ駆動型潜在空間の正規化を提案する。
本アルゴリズムは,組込み空間におけるクラスタ分離性,高精度なデータ再構成と生成を実現する。
論文 参考訳（メタデータ） (2022-11-18T19:12:15Z) - Detection and Evaluation of Clusters within Sequential Data [58.720142291102135]
Block Markov Chainsのクラスタリングアルゴリズムは理論的最適性を保証する。
特に、私たちのシーケンシャルデータは、ヒトのDNA、テキスト、動物運動データ、金融市場から派生しています。
ブロックマルコフ連鎖モデルの仮定は、実際に探索データ解析において有意義な洞察を得られることが判明した。
論文 参考訳（メタデータ） (2022-10-04T15:22:39Z) - Amortized Inference for Causal Structure Learning [72.84105256353801]
因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。
本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。
我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
論文 参考訳（メタデータ） (2022-05-25T17:37:08Z) - Selecting the suitable resampling strategy for imbalanced data
classification regarding dataset properties [62.997667081978825]
医学、情報検索、サイバーセキュリティ、ソーシャルメディアなどの多くのアプリケーションドメインでは、分類モデルの導入に使用されるデータセットは、各クラスのインスタンスの不平等な分布を持つことが多い。
この状況は不均衡データ分類と呼ばれ、少数民族の例では予測性能が低い。
オーバーサンプリングとアンダーサンプリングの技術は、各クラスの例の数とバランスをとることでこの問題に対処する、よく知られた戦略である。
論文 参考訳（メタデータ） (2021-12-15T18:56:39Z) - Riemannian classification of EEG signals with missing values [67.90148548467762]
本稿では脳波の分類に欠落したデータを扱うための2つの方法を提案する。
第1のアプローチでは、インプットされたデータと$k$-nearestの隣人アルゴリズムとの共分散を推定し、第2のアプローチでは、期待最大化アルゴリズム内で観測データの可能性を活用することにより、観測データに依存する。
その結果, 提案手法は観測データに基づく分類よりも優れており, 欠落したデータ比が増大しても高い精度を維持することができることがわかった。
論文 参考訳（メタデータ） (2021-10-19T14:24:50Z) - Learning while Respecting Privacy and Robustness to Distributional
Uncertainties and Adversarial Data [66.78671826743884]
分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。
目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。
提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
論文 参考訳（メタデータ） (2020-07-07T18:25:25Z) - On clustering uncertain and structured data with Wasserstein barycenters
and a geodesic criterion for the number of clusters [0.0]
この研究は、ワッサーシュタインのバリセンターの概念を考察し、クラスタリングタスクが実行されるワッサーシュタイン空間の内在幾何学に基づく適切なクラスタリング指標を伴って考える。
このようなクラスタリング手法は、観測/実験誤差が重要である多くの分野において高く評価されている。
この観点から、各観測は適切な確率尺度によって識別され、提案したクラスタリングスキームは識別基準に依存する。
論文 参考訳（メタデータ） (2019-12-26T08:46:00Z)
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。