論文の概要: The Topology of a Family Tree Graph and Its Members' Satisfaction with One Another: A Machine Learning Approach
- arxiv url: http://arxiv.org/abs/2305.01552v2
- Date: Mon, 17 Jun 2024 05:49:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-19 13:10:19.077290
- Title: The Topology of a Family Tree Graph and Its Members' Satisfaction with One Another: A Machine Learning Approach
- Title（参考訳）: 家系図のトポロジーと会員の満足感 : 機械学習アプローチ
- Authors: Teddy Lazebnik, Amit Yaniv-Rosenfeld,
- Abstract要約: 家族同士の満足感は、健全で支援的な家族環境作りの中心である。
提案手法は,家族グラフのトポロジのみに基づいて,家族同士の満足度を予測するための高精度な結果をもたらすことを示す。
- 参考スコア（独自算出の注目度）: 0.6906005491572401
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Family members' satisfaction with one another is central to creating healthy and supportive family environments. In this work, we propose and implement a novel computational technique aimed at exploring the possible relationship between the topology of a given family tree graph and its members' satisfaction with one another. Through an extensive empirical evaluation ($N=486$ families), we show that the proposed technique brings about highly accurate results in predicting family members' satisfaction with one another based solely on the family graph's topology. Furthermore, the results indicate that our technique favorably compares to baseline regression models which rely on established features associated with family members' satisfaction with one another in prior literature.
- Abstract（参考訳）: 家族同士の満足感は、健全で支援的な家族環境作りの中心である。
本研究では,ある家系図のトポロジと,そのメンバーの満足度との関係を探索する新しい計算手法を提案し,実装する。
広範な実証評価(N=486$ family)を通じて,提案手法は,家族間の満足度を家族グラフのトポロジのみに基づいて予測する上で,高精度な結果をもたらすことを示した。
さらに,本手法は,家族の満足度に係わる確立した特徴に依拠するベースライン回帰モデルと比較して,先行文献において好意的に比較した。
関連論文リスト
- Few-Shot Learning on Graphs: from Meta-learning to Pre-training and
Prompting [56.25730255038747]
この調査は、最近の展開を合成し、比較洞察を提供し、将来の方向性を特定するための取り組みである。
我々は,既存の研究をメタラーニングアプローチ,事前学習アプローチ,ハイブリッドアプローチの3つの主要なファミリーに体系的に分類した。
これらの手法間の関係を解析し,その強みと限界を比較する。
論文 参考訳（メタデータ） (2024-02-02T14:32:42Z) - Sensitivity, Performance, Robustness: Deconstructing the Effect of
Sociodemographic Prompting [64.80538055623842]
社会デマトグラフィープロンプトは、特定の社会デマトグラフィープロファイルを持つ人間が与える答えに向けて、プロンプトベースのモデルの出力を操縦する技術である。
ソシオデマトグラフィー情報はモデル予測に影響を及ぼし、主観的NLPタスクにおけるゼロショット学習を改善するのに有用であることを示す。
論文 参考訳（メタデータ） (2023-09-13T15:42:06Z) - Question Answering with Deep Neural Networks for Semi-Structured
Heterogeneous Genealogical Knowledge Graphs [0.934612743192798]
最先端の自然言語応答アルゴリズムは、自己認識ネットワークに基づくディープニューラルネットワークアーキテクチャを使用する。
本研究は,家系図を用いた質問応答のエンドツーエンド的アプローチを提案する。
論文 参考訳（メタデータ） (2023-07-30T12:49:54Z) - Supervised Contrastive Learning and Feature Fusion for Improved Kinship
Verification [0.0]
教師付きコントラスト学習を用いた親族検証手法を提案する。
我々の実験は最先端の結果を示し、Wildデータセットの家族で81.1%の精度を達成した。
論文 参考訳（メタデータ） (2023-02-19T12:20:14Z) - Humans Social Relationship Classification during Accompaniment [6.071490877668864]
本論文は,2人の側方で歩いている2人の社会的関係を,学童・夫婦・家族・友情の4つのカテゴリに分類する深層学習アーキテクチャの設計について述べる。
モデルをニューラルネットワークやリカレントニューラルネットワークを用いて開発し,都市環境下で伴奏処理を行う人間から得られる読みのデータベースを用いて,その分類と評価を行う。
論文 参考訳（メタデータ） (2022-07-06T18:07:36Z) - A Graph-Enhanced Click Model for Web Search [67.27218481132185]
ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。
セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
論文 参考訳（メタデータ） (2022-06-17T08:32:43Z) - Kinship Verification Based on Cross-Generation Feature Interaction
Learning [53.62256887837659]
顔画像からの血縁検証は、コンピュータビジョンの応用において、新しいが挑戦的な技術として認識されている。
本稿では,頑健な親族関係検証のためのクロスジェネレーション・インタラクション・ラーニング(CFIL)フレームワークを提案する。
論文 参考訳（メタデータ） (2021-09-07T01:50:50Z) - Deep Reinforcement Learning of Graph Matching [63.469961545293756]
ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。
GMのための強化学習ソルバを提案する。
rgmはペアワイズグラフ間のノード対応を求める。
本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
論文 参考訳（メタデータ） (2020-12-16T13:48:48Z) - Graph-Based Social Relation Reasoning [101.9402771161935]
社会関係認識のためのグラフ関係推論ネットワーク(GR2N)を提案する。
本手法は,社会関係グラフの構築による連関関係推定のパラダイムを考察する。
実験結果から,本手法は合理的で一貫した社会関係グラフを生成することが示された。
論文 参考訳（メタデータ） (2020-07-15T03:01:11Z) - Challenge report: Recognizing Families In the Wild Data Challenge [17.070016479682096]
本稿は、FG 2020フォーラムと共同で第4版(Recognizing Families In the Wild Data Challenge)を提出した短い報告である。
本稿では,従来の手法を検討,提案手法を提案するとともに,深部メートル法などの多くの手法を用いて,画像毎の深部埋め込みの特徴を抽出し,それらがユークリッド距離やクラスに基づく方法による血縁関係であるかどうかを判定する。
論文 参考訳（メタデータ） (2020-05-30T03:01:56Z)
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。