論文の概要: Graph-based Village Level Poverty Identification

• arxiv url: http://arxiv.org/abs/2302.06862v1
• Date: Tue, 14 Feb 2023 06:58:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-19 14:09:23.938351
• Title: Graph-based Village Level Poverty Identification
• Title（参考訳）: グラフに基づく村レベルの貧困識別
• Authors: Jing Ma, Liangwei Yang, Qiong Feng, Weizhi Zhang, Philip S. Yu
• Abstract要約: Webインフラストラクチャとそのモデリングツールの開発は、貧しい村を識別するための新しいアプローチを提供する。 地理的距離を通して村の接続をグラフとしてモデル化することにより,村の貧困状況とグラフトポロジ的位置との相関関係を示す。 貧しい村を識別する最初のグラフベース手法を提案する。
• 参考スコア（独自算出の注目度）: 52.12744462605759
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Poverty status identification is the first obstacle to eradicating poverty. Village-level poverty identification is very challenging due to the arduous field investigation and insufficient information. The development of the Web infrastructure and its modeling tools provides fresh approaches to identifying poor villages. Upon those techniques, we build a village graph for village poverty status identification. By modeling the village connections as a graph through the geographic distance, we show the correlation between village poverty status and its graph topological position and identify two key factors (Centrality, Homophily Decaying effect) for identifying villages. We further propose the first graph-based method to identify poor villages. It includes a global Centrality2Vec module to embed village centrality into the dense vector and a local graph distance convolution module that captures the decaying effect. In this paper, we make the first attempt to interpret and identify village-level poverty from a graph perspective.
• Abstract（参考訳）: 貧困状態の特定は、貧困を根絶する最初の障害である。 厳しいフィールド調査と不十分な情報のため、村レベルの貧困識別は非常に困難である。 Webインフラストラクチャとそのモデリングツールの開発は、貧しい村を識別するための新しいアプローチを提供する。 これらの手法に基づき,村の貧困状況識別のための村のグラフを構築する。 村間関係を地理的距離をグラフとしてモデル化することにより,村の貧困状況とその地形的位置の相関関係を示し,村落を識別するための2つの重要な要因(中央性,均質的減衰効果)を同定した。 さらに,貧しい村を識別する最初のグラフベース手法を提案する。 これには、村の中心性を密度ベクトルに埋め込むグローバル中央性2Vecモジュールと、崩壊効果を捉える局所グラフ距離畳み込みモジュールが含まれる。 本稿では,村レベルの貧困をグラフの観点から解釈し,識別する最初の試みを行う。

関連論文リスト

• Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
  グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。 モデルはGCNを適用するために初期グラフを事前に推定する。 一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
  論文  参考訳（メタデータ） (2024-02-25T07:03:37Z)
• Towards Self-Interpretable Graph-Level Anomaly Detection [73.1152604947837]
  グラフレベルの異常検出(GLAD)は、コレクションの大多数と比べて顕著な相違を示すグラフを識別することを目的としている。 本稿では,異常なグラフを検出し,同時に情報的説明を生成する自己解釈グラフaNomaly dETectionモデル(SIGNET)を提案する。
  論文  参考訳（メタデータ） (2023-10-25T10:10:07Z)
• Learning and Reasoning Multifaceted and Longitudinal Data for Poverty Estimates and Livelihood Capabilities of Lagged Regions in Rural India [22.98110639419913]
  このプロジェクトは、生活の質と生活の指標に基づいて、1990-2022年のインド農村の貧困状況を調べることを目的としている。 また、因果関係や縦断的分析も検討し、貧困の原因について検討する。
  論文  参考訳（メタデータ） (2023-04-27T05:33:08Z)
• Novel Machine Learning Approach for Predicting Poverty using Temperature and Remote Sensing Data in Ethiopia [0.0]
  貧困データの欠如は、重要な人道的組織が大規模な危機に対応するのを妨げている。 本研究では,表面温度変化とリモートセンシングデータに基づく移動学習モデルを提案し,貧困率の予測に有用な特徴を抽出する。
  論文  参考訳（メタデータ） (2023-02-28T18:32:16Z)
• Building Coverage Estimation with Low-resolution Remote Sensing Imagery [65.95520230761544]
  本稿では,低解像度衛星画像のみを用いた建物被覆量の推定手法を提案する。 本モデルでは, 世界中の開発レベルの異なる地域において, 建築範囲の予測において最大0.968の判定係数を達成している。
  論文  参考訳（メタデータ） (2023-01-04T05:19:33Z)
• Predicting Poverty Level from Satellite Imagery using Deep Neural Networks [0.0]
  頭上衛星画像から地域の貧困レベルを予測する深層学習型コンピュータビジョン手法を開発した。 データ量とデータ拡張がネットワークの表現力と全体的な精度に与える影響について検討する。
  論文  参考訳（メタデータ） (2021-11-30T18:57:24Z)
• Interpretable Poverty Mapping using Social Media Data, Satellite Images, and Geospatial Information [0.0]
  本稿では、機械学習とアクセスしやすいデータソースを用いた貧困推定に対する解釈可能かつ費用効率のよいアプローチを提案する。 フィリピンの資産推定ではR2ドル0.66ドル、衛星画像では0.63ドルである。
  論文  参考訳（メタデータ） (2020-11-27T05:24:53Z)
• Predicting Livelihood Indicators from Community-Generated Street-Level Imagery [70.5081240396352]
  本稿では,クラウドソースによるストリートレベルの画像から重要な生活指標を予測するための,安価でスケーラブルで解釈可能なアプローチを提案する。 全国的に代表される世帯調査で収集した地上データと比較することにより,貧困,人口,健康の指標を正確に予測する上でのアプローチの有効性を実証した。
  論文  参考訳（メタデータ） (2020-06-15T18:12:12Z)
• Generating Interpretable Poverty Maps using Object Detection in Satellite Images [80.35540308137043]
  衛星画像に物体検出装置を適用することにより、局所レベルでの貧困を正確に予測するための解釈可能な計算手法を実証する。 対象物の重み付けを特徴として、ウガンダの村レベルの貧困を予測する0.539 Pearson's r2を達成し、既存の(解釈不可能でない)ベンチマークよりも31%改善した。
  論文  参考訳（メタデータ） (2020-02-05T02:50:01Z)

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。