論文の概要: Measuring Network Resilience via Geospatial Knowledge Graph: a Case
Study of the US Multi-Commodity Flow Network
- arxiv url: http://arxiv.org/abs/2210.08042v1
- Date: Sun, 9 Oct 2022 23:12:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-30 12:10:10.365617
- Title: Measuring Network Resilience via Geospatial Knowledge Graph: a Case
Study of the US Multi-Commodity Flow Network
- Title（参考訳）: 地理空間知識グラフによるネットワークレジリエンスの測定:米国多商品フローネットワークを事例として
- Authors: Jinmeng Rao, Song Gao, Michelle Miller, Alfonso Morales
- Abstract要約: マルチコモディティフローネットワークの地理空間意味論を記述するためのCFS-GeoKGを開発した。
我々は,階層的な商品タイプを持つ米国レベルの農業用多商品フローネットワークのケーススタディを行う。
- 参考スコア（独自算出の注目度）: 2.1793134762413437
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quantifying the resilience in the food system is important for food security
issues. In this work, we present a geospatial knowledge graph (GeoKG)-based
method for measuring the resilience of a multi-commodity flow network.
Specifically, we develop a CFS-GeoKG ontology to describe geospatial semantics
of a multi-commodity flow network comprehensively, and design resilience
metrics that measure the node-level and network-level dependence of
single-sourcing, distant, or non-adjacent suppliers/customers in food supply
chains. We conduct a case study of the US state-level agricultural
multi-commodity flow network with hierarchical commodity types. The results
indicate that, by leveraging GeoKG, our method supports measuring both
node-level and network-level resilience across space and over time and also
helps discover concentration patterns of agricultural resources in the spatial
network at different geographic scales.
- Abstract（参考訳）: 食品システムのレジリエンスの定量化は,食品のセキュリティ問題において重要である。
本研究では,マルチコモディティフローネットワークのレジリエンスを測定するための地理空間知識グラフ(GeoKG)を用いた手法を提案する。
具体的には,マルチコモディティフローネットワークの地理空間的意味論を包括的に記述するcfs-geokgオントロジーを開発し,食品サプライチェーンにおけるノードレベルおよびネットワークレベル依存度を測定するレジリエンス指標を設計する。
我々は,階層的な商品タイプを持つ米国レベルの農業用多商品フローネットワークのケーススタディを行う。
以上の結果から,geokgを活用することで,空間的・時間的・ノードレベルのレジリエンスを計測し,異なる地理的スケールで空間的ネットワーク内の農業資源の集中度パターンを探索するのに役立つことが示唆された。
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) - Data-Driven Radio Environment Map Estimation Using Graph Neural Networks [0.0]
グラフニューラルネットワークを用いて無線環境マップ(REM)を推定する手法を提案する。
提案アーキテクチャは、ネットワーク全体の空間的依存関係をキャプチャするグラフニューラルネットワークの利点を継承する。
論文 参考訳（メタデータ） (2024-06-09T00:17:33Z) - FLEE-GNN: A Federated Learning System for Edge-Enhanced Graph Neural
Network in Analyzing Geospatial Resilience of Multicommodity Food Flows [31.70913467854211]
FLEE-GNNはエッジ強化グラフニューラルネットワークのための新しいフェデレーション学習システムである。
これは、グラフニューラルネットワークの堅牢性と適応性と、フェデレーション学習のプライバシ意識と分散化の側面を組み合わせる。
その結果, 多商品食品流網のレジリエンスを定量化する手法の進歩が示唆された。
論文 参考訳（メタデータ） (2023-10-20T03:06:41Z) - Geo-Encoder: A Chunk-Argument Bi-Encoder Framework for Chinese
Geographic Re-Ranking [61.60169764507917]
中国の地理的再ランクタスクは、検索された候補者の中で最も関連性の高い住所を見つけることを目的としている。
そこで我々は,中国語の地理的意味論をより効果的に統合する,革新的なフレームワークであるGeo-Encoderを提案する。
論文 参考訳（メタデータ） (2023-09-04T13:44:50Z) - A General Purpose Neural Architecture for Geospatial Systems [142.43454584836812]
本稿では,空間的帰納バイアスを持つ汎用ニューラルアーキテクチャ(GPNA)の構築に向けたロードマップを示す。
このようなモデルがコミュニティのメンバー間の協力をいかに促進するかを考察する。
論文 参考訳（メタデータ） (2022-11-04T09:58:57Z) - Quantifying spatial homogeneity of urban road networks via graph neural
networks [12.875369866362327]
都市道路ネットワーク(URN)の空間均質性は、各異なるコンポーネントがネットワーク全体と類似しているかどうかを測定します。
グラフニューラルネットワークを使用して、世界中の30都市で11,790のURNサンプルをモデル化し、その予測可能性を使用して空間均質を定義します。
論文 参考訳（メタデータ） (2021-01-01T19:45:04Z) - Unsupervised Learning for Asynchronous Resource Allocation in Ad-hoc
Wireless Networks [122.42812336946756]
集約グラフニューラルネットワーク(Agg-GNN)に基づく教師なし学習手法を設計する。
アクティベーションパターンを各ノードの特徴としてモデル化し,ポリシーに基づくリソース割り当て手法を訓練することにより,非同期性を捉える。
論文 参考訳（メタデータ） (2020-11-05T03:38:36Z) - Multi-Level Graph Convolutional Network with Automatic Graph Learning
for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。
空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。
MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文 参考訳（メタデータ） (2020-09-19T09:26:20Z) - AM-GCN: Adaptive Multi-channel Graph Convolutional Networks [85.0332394224503]
グラフ畳み込みネットワーク(GCN)は,豊富な情報を持つ複雑なグラフにおいて,ノードの特徴と位相構造を最適に統合できるかどうかを検討する。
半教師付き分類(AM-GCN)のための適応型マルチチャネルグラフ畳み込みネットワークを提案する。
実験の結果,AM-GCNはノードの特徴とトポロジ的構造の両方から最も相関性の高い情報を抽出することがわかった。
論文 参考訳（メタデータ） (2020-07-05T08:16:03Z) - Neural networks adapting to datasets: learning network size and topology [77.34726150561087]
ニューラルネットワークは、勾配に基づくトレーニングの過程で、そのサイズとトポロジの両方を学習できるフレキシブルなセットアップを導入します。
結果として得られるネットワークは、特定の学習タスクとデータセットに合わせたグラフの構造を持つ。
論文 参考訳（メタデータ） (2020-06-22T12:46:44Z)
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。