論文の概要: Region2Vec: Community Detection on Spatial Networks Using Graph
Embedding with Node Attributes and Spatial Interactions
- arxiv url: http://arxiv.org/abs/2210.08041v1
- Date: Mon, 10 Oct 2022 02:32:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 20:17:01.018029
- Title: Region2Vec: Community Detection on Spatial Networks Using Graph
Embedding with Node Attributes and Spatial Interactions
- Title(参考訳): Region2Vec:ノード属性付きグラフ埋め込みと空間相互作用を用いた空間ネットワーク上のコミュニティ検出
- Authors: Yunlei Liang, Jiawei Zhu, Wen Ye, Song Gao
- Abstract要約: 本稿では,空間ネットワーク上でのGCNに基づくコミュニティ検出手法「rea2vec」を提案する。
提案手法は,共通属性を共有し,空間的相互作用が激しい領域に対して,まずノード埋め込みを生成する。
実験の結果,既存の手法が相互に類似性や空間的相互作用を交換する一方で,領域2vecは両者のバランスを保っていることが明らかとなった。
- 参考スコア(独自算出の注目度): 2.1793134762413437
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Community Detection algorithms are used to detect densely connected
components in complex networks and reveal underlying relationships among
components. As a special type of networks, spatial networks are usually
generated by the connections among geographic regions. Identifying the spatial
network communities can help reveal the spatial interaction patterns,
understand the hidden regional structures and support regional development
decision-making. Given the recent development of Graph Convolutional Networks
(GCN) and its powerful performance in identifying multi-scale spatial
interactions, we proposed an unsupervised GCN-based community detection method
"region2vec" on spatial networks. Our method first generates node embeddings
for regions that share common attributes and have intense spatial interactions,
and then applies clustering algorithms to detect communities based on their
embedding similarity and spatial adjacency. Experimental results show that
while existing methods trade off either attribute similarities or spatial
interactions for one another, "region2vec" maintains a great balance between
both and performs the best when one wants to maximize both attribute
similarities and spatial interactions within communities.
- Abstract(参考訳): コミュニティ検出アルゴリズムは、複雑なネットワーク内の密結合したコンポーネントを検出し、コンポーネント間の基盤となる関係を明らかにするために使用される。
特別なタイプのネットワークとして、空間ネットワークは通常、地理的領域間の接続によって生成される。
空間ネットワークのコミュニティを特定すれば,空間的相互作用のパターンを明らかにし,隠れた地域構造を理解し,地域開発決定を支援することができる。
グラフ畳み込みネットワーク(GCN)の最近の発展と,マルチスケール空間相互作用の同定における強力な性能を考慮し,空間ネットワーク上でのGCNに基づくコミュニティ検出手法「rea2vec」を提案する。
まず,共通属性を共有し,空間的相互作用の激しい領域に対してノード埋め込みを生成し,その埋め込み類似性と空間隣接性に基づいてコミュニティを検出するクラスタリングアルゴリズムを適用する。
実験結果から,既存の手法は属性類似性や空間相互作用を相互に交換するが,地域2vecはコミュニティ内の属性類似性と空間相互作用の両方を最大化したい場合に,両者のバランスを保ち,最善を尽くすことを示す。
関連論文リスト
- GeoAI-Enhanced Community Detection on Spatial Networks with Graph Deep Learning [2.3646445757741064]
本研究では、地域2vecと呼ばれる、GeoAIによる教師なしコミュニティ検出手法のファミリーを提案する。
提案手法は,ノード属性の類似性と空間的相互作用強度を同時に最大化したい場合に,複数のベースラインと比較し,最善を尽くす。
また、公衆衛生における欠落地域脱線問題にも適用され、地域化問題におけるその可能性を実証している。
論文 参考訳(メタデータ) (2024-11-23T03:09:34Z) - HACD: Harnessing Attribute Semantics and Mesoscopic Structure for Community Detection [3.389327931408283]
コミュニティ検出は、密接に結びついた部分グラフを明らかにする上で重要な役割を果たす。
従来,ネットワークトポロジと属性情報を属性付きコミュニティ検出に有効活用してきた。
ヘテロジニアスグラフアテンションネットワークに基づく新しい属性付きコミュニティ検出モデルであるHACDを提案する。
論文 参考訳(メタデータ) (2024-11-04T10:16:59Z) - Learning Geospatial Region Embedding with Heterogeneous Graph [16.864563545518124]
様々な下流タスクに対する包括的領域埋め込みを学習するための有効なヘテロジニアスグラフ構造であるGeoHGを提案する。
具体的には、地理的領域分割とPOI(point-of-interest)統合による衛星画像表現学習を、表現的地域内特徴のために調整する。
GeoHGは情報的空間依存性と社会環境特性を強力なヘテロジニアスグラフに統合し、高次の地域間関係の明示的なモデリングを促進する。
論文 参考訳(メタデータ) (2024-05-23T03:19:02Z) - Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。
AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。
2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文 参考訳(メタデータ) (2023-06-15T14:50:27Z) - STICC: A multivariate spatial clustering method for repeated geographic
pattern discovery with consideration of spatial contiguity [7.376428009531946]
理想的な空間クラスタリングは、空間的連続性と空間的属性の両方を考慮するべきである。
既存の空間クラスタリングアプローチは、空間的連続性を維持した反復的な地理的パターンを発見するための課題に直面する可能性がある。
本研究では,地理的オブジェクトの属性と空間的関係を考慮した空間的Toeplitz Inverse Covariance-Based Clustering (STICC)法を提案する。
論文 参考訳(メタデータ) (2022-03-17T20:58:06Z) - Bi-Dimensional Feature Alignment for Cross-Domain Object Detection [71.85594342357815]
教師なしクロスドメイン検出モデルを提案する。
ソースドメインのアノテーション付きデータを利用して、異なるターゲットドメインに対してオブジェクト検出器をトレーニングする。
提案モデルでは、オブジェクト検出のためのクロスドメイン表現のばらつきを緩和する。
論文 参考訳(メタデータ) (2020-11-14T03:03:11Z) - On the use of local structural properties for improving the efficiency
of hierarchical community detection methods [77.34726150561087]
本研究では,階層型コミュニティ検出の効率向上のために,局所構造ネットワーク特性をプロキシとして利用する方法について検討する。
また,ネットワークプルーニングの性能への影響を,階層的コミュニティ検出をより効率的にするための補助的手法として検証する。
論文 参考訳(メタデータ) (2020-09-15T00:16:12Z) - Co-Saliency Spatio-Temporal Interaction Network for Person
Re-Identification in Videos [85.6430597108455]
本稿では,ビデオにおける人物の身元確認のためのCSTNet(Co-Saliency Spatio-Temporal Interaction Network)を提案する。
ビデオフレーム間の共通した有意な前景領域をキャプチャし、そのような領域からの空間的時間的長距離コンテキストの相互依存性を探索する。
CSTNet内の複数の空間的時間的相互作用モジュールを提案し,その特徴と空間的時間的情報相関の空間的・時間的長期的相互依存性を利用した。
論文 参考訳(メタデータ) (2020-04-10T10:23:58Z) - Detecting Communities in Heterogeneous Multi-Relational Networks:A
Message Passing based Approach [89.19237792558687]
コミュニティは、ソーシャルネットワーク、生物学的ネットワーク、コンピュータおよび情報ネットワークを含むネットワークの共通の特徴である。
我々は,全同種ネットワークのコミュニティを同時に検出する効率的なメッセージパッシングに基づくアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-04-06T17:36:24Z) - LRC-Net: Learning Discriminative Features on Point Clouds by Encoding
Local Region Contexts [65.79931333193016]
本稿では,LRC-Net(Local-Region-Context Network)を提案する。
LRC-Netは、局所領域内および周辺領域間の微粒なコンテキストを同時に符号化する。
その結果, LRC-Netは形状分類や形状分割の応用において最先端の手法と競合することがわかった。
論文 参考訳(メタデータ) (2020-03-18T14:34:08Z)
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。