論文の概要: Clustering US Counties to Find Patterns Related to the COVID-19 Pandemic
- arxiv url: http://arxiv.org/abs/2303.11936v1
- Date: Sun, 19 Mar 2023 18:50:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-22 14:20:01.737829
- Title: Clustering US Counties to Find Patterns Related to the COVID-19 Pandemic
- Title（参考訳）: 新型コロナウイルスのパンデミックに関連するパターンを見つけるために米国諸国をクラスタ化
- Authors: Cora Brown, Sarah Milstein, Tianyi Sun, Cooper Zhao
- Abstract要約: この記事は、パンデミックの最中、米国で類似の郡のグループを見つけるのにクラスタリング技術を使うことに焦点を当てている。
私たちのチームはミネソタ大学の学生Cola Brown氏、Sarah Milstein氏、Tianyi Sun氏、Cooper Zhao氏、EcolabのデータサイエンティストJimmy Broomfield氏、ミネソタ大学の学生Skye Ke氏で構成されています。
- 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: When COVID-19 first started spreading and quarantine was implemented, the
Society for Industrial and Applied Mathematics (SIAM) Student Chapter at the
University of Minnesota-Twin Cities began a collaboration with Ecolab to use
our skills as data scientists and mathematicians to extract useful insights
from relevant data relating to the pandemic. This collaboration consisted of
multiple groups working on different projects. In this write-up we focus on
using clustering techniques to help us find groups of similar counties in the
US and use that to help us understand the pandemic. Our team for this project
consisted of University of Minnesota students Cora Brown, Sarah Milstein,
Tianyi Sun, and Cooper Zhao, with help from Ecolab Data Scientist Jimmy
Broomfield and University of Minnesota student Skye Ke. In the sections below
we describe all of the work done for this project. In Section 2, we list the
data we gathered, as well as the feature engineering we performed. In Section
3, we describe the metrics we used for evaluating our models. In Section 4, we
explain the methods we used for interpreting the results of our various
clustering approaches. In Section 5, we describe the different clustering
methods we implemented. In Section 6, we present the results of our clustering
techniques and provide relevant interpretation. Finally, in Section 7, we
provide some concluding remarks comparing the different clustering methods.
- Abstract（参考訳）: 新型コロナウイルス(covid-19)の感染拡大と検疫が開始されると、ミネソタ大学トウィンシティー校の産業応用数学研究会(siam)学生支部はecolabと協力して、パンデミックに関連するデータから有用な洞察を抽出すべく、データサイエンティストや数学者としての我々のスキルを活用した。
このコラボレーションは複数のグループが異なるプロジェクトに取り組んでいます。
この書き込みでは、米国内の類似する郡グループを見つけ、パンデミックを理解するのにクラスタ技術を使うことに重点を置いています。
このプロジェクトのチームはミネソタ大学の学生cora brown、sarah milstein、tianyi sun、cooper zhao、ecolabのデータサイエンティストjimmy broomfield、ミネソタ大学の学生skye keの協力を得ていた。
以下のセクションでは、このプロジェクトのために行われたすべての作業について説明します。
第2節では、収集したデータと、実行した機能エンジニアリングをリストアップしています。
第3節では、モデルの評価に使用したメトリクスについて説明する。
第4節では、様々なクラスタリングアプローチの結果を解釈するために使った方法を説明します。
第5節では、実装した異なるクラスタリング方法について説明します。
第6節では、クラスタリング技術の結果を示し、関連する解釈を提供する。
最後に、第7節では、異なるクラスタリング手法を比較した結論付けを提供する。
関連論文リスト
- Masked Image Modeling: A Survey [73.21154550957898]
マスク付き画像モデリングは、コンピュータビジョンにおける強力な自己教師付き学習技術として登場した。
我々は近年,分類学を構築し,最も顕著な論文をレビューしている。
我々は,最も人気のあるデータセット上で,様々なマスク付き画像モデリング手法の性能評価結果を集約する。
論文 参考訳（メタデータ） (2024-08-13T07:27:02Z) - Advanced Graph Clustering Methods: A Comprehensive and In-Depth Analysis [0.0]
本稿では,従来のグラフクラスタリング手法と最近のグラフクラスタリング手法について検討する。
背景のセクションでは、グラフラプラシアンやグラフ解析におけるディープラーニングの統合など、重要なトピックが取り上げられている。
本稿では,グラフクラスタリングの実践的応用について論じる。
論文 参考訳（メタデータ） (2024-07-12T07:22:45Z) - Reinforcement Graph Clustering with Unknown Cluster Number [91.4861135742095]
本稿では,Reinforcement Graph Clusteringと呼ばれる新しいディープグラフクラスタリング手法を提案する。
提案手法では,クラスタ数決定と教師なし表現学習を統一的なフレームワークに統合する。
フィードバック動作を行うために、クラスタリング指向の報酬関数を提案し、同一クラスタの凝集を高め、異なるクラスタを分離する。
論文 参考訳（メタデータ） (2023-08-13T18:12:28Z) - Explainable Graph Spectral Clustering of Text Documents [0.0]
本稿では,ラプラシアン系グラフスペクトルクラスタリングの結果を説明することを提案する。
これはラプラシアン埋め込み(英語版)、$K$-埋め込み(この論文で提案されている)および項ベクトル空間埋め込み(英語版)の同値性(近似)を示すことに基づいている。
論文 参考訳（メタデータ） (2023-08-01T12:39:42Z) - HPSCAN: Human Perception-Based Scattered Data Clustering [15.217526822318428]
本稿では,分散データを直接操作する学習戦略HPSCANを提案する。
我々は、我々のデータセットの収集方法、得られたアノテーションの統計を報告し、実世界のデータに対するクラスタ分離の知覚的合意について調査する。
論文 参考訳（メタデータ） (2023-04-27T13:41:12Z) - A Survey of Deep Graph Clustering: Taxonomy, Challenge, Application, and
Open Resource [87.7460720701592]
本稿では, この分野における公式定義, 評価, 開発について紹介する。
ディープグラフクラスタリング手法の分類は,グラフタイプ,ネットワークアーキテクチャ,学習パラダイム,クラスタリング手法など,4つの異なる基準に基づいて提示される。
コンピュータビジョン、自然言語処理、レコメンデーションシステム、ソーシャルネットワーク分析、バイオインフォマティクス、医学を含む6分野におけるディープグラフクラスタリング手法の適用について述べる。
論文 参考訳（メタデータ） (2022-11-23T11:31:11Z) - Deep Fair Clustering via Maximizing and Minimizing Mutual Information:
Theory, Algorithm and Metric [28.40833362941683]
我々は,深層クラスタリングのための相互情報理論を開発し,FCMIと呼ばれる新しいアルゴリズムを設計する。
FCMIは、深い公正クラスタリング、例えば、コンパクトでバランスの取れた、公平なクラスタ、および情報的特徴によって期待される4つの特徴を達成するように設計されている。
既存の評価指標とは異なり、我々の測定基準はクラスタリングの品質と公平さを個別の方法ではなく全体として測定します。
論文 参考訳（メタデータ） (2022-09-26T03:38:48Z) - Analysis of Sparse Subspace Clustering: Experiments and Random
Projection [0.0]
クラスタリングは、顔クラスタリング、植物分類、イメージセグメンテーション、文書分類など、多くの領域で使われているテクニックである。
Sparse Subspace Clustering(スパース・サブスペース・クラスタリング)と呼ばれる強力なクラスタリングアルゴリズムを解析する。
本稿では,本手法を用いて実験を行い,スパース部分空間クラスタリングを行うために必要な計算時間を削減できる新しい手法を提案する。
論文 参考訳（メタデータ） (2022-04-01T23:55:53Z) - ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial
Multi-View Clustering [52.491074276133325]
部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。
提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
論文 参考訳（メタデータ） (2022-03-01T02:32:25Z) - Neighborhood Contrastive Learning for Novel Class Discovery [79.14767688903028]
我々は,クラスタリング性能に重要な識別表現を学習するために,Neighborhood Contrastive Learningという新しいフレームワークを構築した。
これらの2つの成分がクラスタリング性能に大きく寄与し、我々のモデルが最先端の手法よりも大きなマージンで優れていることを実験的に実証した。
論文 参考訳（メタデータ） (2021-06-20T17:34:55Z) - Graph Contrastive Clustering [131.67881457114316]
本稿では,クラスタリングタスクに適用可能な新しいグラフコントラスト学習フレームワークを提案し,gcc(graph constrastive clustering)法を考案した。
特に、グラフラプラシアンに基づくコントラスト損失は、より識別的かつクラスタリングフレンドリーな特徴を学ぶために提案されている。
一方で、よりコンパクトなクラスタリング割り当てを学ぶために、グラフベースのコントラスト学習戦略が提案されている。
論文 参考訳（メタデータ） (2021-04-03T15:32:49Z)
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。