論文の概要: Unsupervised Learning for Topological Classification of Transportation Networks

• arxiv url: http://arxiv.org/abs/2311.13887v1
• Date: Thu, 23 Nov 2023 10:18:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-28 00:05:43.777567
• Title: Unsupervised Learning for Topological Classification of Transportation Networks
• Title（参考訳）: 交通ネットワークのトポロジカル分類のための教師なし学習
• Authors: Sina Sabzekar, Mohammad Reza Valipour Malakshah, Zahra Amini
• Abstract要約: 本稿では,様々なトポロジカルネットワーク特性を評価するための包括的フレームワークを提案する。 K-meansとHDBSCANという2つのクラスタリングアルゴリズムを用いて14のトランスポートネットワークを分類する。 PCA法はK平均クラスタリング法に続き、Silhouetteスコアが0.510$の他の手法よりも優れている。
• 参考スコア（独自算出の注目度）: 3.1675545188012078
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With increasing urbanization, transportation plays an increasingly critical role in city development. The number of studies on modeling, optimization, simulation, and data analysis of transportation systems is on the rise. Many of these studies utilize transportation test networks to represent real-world transportation systems in urban areas, examining the efficacy of their proposed approaches. Each of these networks exhibits unique characteristics in their topology, making their applications distinct for various study objectives. Despite their widespread use in research, there is a lack of comprehensive study addressing the classification of these networks based on their topological characteristics. This study aims to fill this gap by employing unsupervised learning methods, particularly clustering. We present a comprehensive framework for evaluating various topological network characteristics. Additionally, we employ two dimensionality reduction techniques, namely Principal Component Analysis (PCA) and Isometric Feature Mapping (ISOMAP), to reduce overlaps of highly correlated features and enhance the interpretability of the subsequent classification results. We then utilize two clustering algorithms, K-means and HDBSCAN, to classify 14 transportation networks. The PCA method, followed by the K-means clustering approach, outperforms other alternatives with a Silhouette score of $0.510$, enabling the classification of transportation networks into five clusters. We also provide a detailed discussion on the resulting classification.
• Abstract（参考訳）: 都市化が進むにつれて、交通は都市開発においてますます重要な役割を担っている。 輸送システムのモデリング、最適化、シミュレーション、データ分析に関する研究が増えている。 これらの研究の多くは、都市における実世界の交通システムを表現するために輸送試験ネットワークを用いており、提案手法の有効性を検証している。 これらのネットワークは、それぞれのトポロジーにおいてユニークな特徴を示し、それらの応用は様々な研究目的のために区別される。 研究で広く利用されているにもかかわらず、これらのネットワークのトポロジ的特徴に基づく分類に関する包括的な研究は乏しい。 本研究では,教師なし学習手法,特にクラスタリングを用いて,このギャップを埋めることを目的とする。 本稿では,様々なトポロジカルネットワーク特性を評価するための包括的フレームワークを提案する。 さらに, 主成分分析 (PCA) と等尺的特徴マッピング (ISOMAP) の2つの次元化手法を用いて, 相関性の高い特徴の重複を低減し, その後の分類結果の解釈可能性を高める。 次に、K-meansとHDBSCANという2つのクラスタリングアルゴリズムを用いて14のトランスポートネットワークを分類する。 PCA法はK平均クラスタリング法に続き、Silhouetteスコア0.510ドルの他の手法よりも優れており、輸送ネットワークを5つのクラスタに分類することができる。 結果の分類に関する詳細な議論も行っています。

関連論文リスト

• 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)
• XAI for Self-supervised Clustering of Wireless Spectrum Activity [0.5809784853115825]
  本稿では,深層クラスタリング,自己教師型学習アーキテクチャの方法論を提案する。 表現学習部では,入力データの関心領域の解釈にガイドバックプロパゲーションを用いる。 クラスタリングの部分は、クラスタリングの結果を説明するために、Shallow Treesに依存しています。 最後に、データ固有の視覚化部は、各クラスタと入力データとの接続を関連機能をトラフすることを可能にする。
  論文  参考訳（メタデータ） (2023-05-17T08:56:43Z)
• Deep Learning for Human Parsing: A Survey [54.812353922568995]
  本研究では,人間の意味解析の先駆的な研究の幅広い範囲を網羅する,最先端の人間の構文解析手法の解析を行う。 1) 構造駆動型アーキテクチャは,人体の異なる部分と固有の階層構造を生かし,(2) グラフベースのネットワークは,効率的で完全な人体分析を実現するためにグローバルな情報を捉え,(3) コンテキスト認識ネットワークは,対応するクラスのピクセルを特徴付けるために,すべてのピクセルにわたって有用なコンテキストを探索し,(4) LSTMベースの手法は,短距離と長距離空間の依存関係を結合して,豊富な局所的・グローバルなコンテキストをうまく活用することができる。
  論文  参考訳（メタデータ） (2023-01-29T10:54:56Z)
• Experimental Observations of the Topology of Convolutional Neural Network Activations [2.4235626091331737]
  トポロジカル・データ解析は、複雑な構造のコンパクトでノイズ・ロバストな表現を提供する。 ディープニューラルネットワーク(DNN)は、モデルアーキテクチャによって定義された一連の変換に関連する数百万のパラメータを学習する。 本稿では,画像分類に使用される畳み込みニューラルネットワークの解釈可能性に関する知見を得る目的で,TDAの最先端技術を適用した。
  論文  参考訳（メタデータ） (2022-12-01T02:05:44Z)
• Remote Sensing Image Classification using Transfer Learning and Attention Based Deep Neural Network [59.86658316440461]
  本稿では、転送学習技術とマルチヘッドアテンションスキームを活用した、深層学習に基づくRSISCフレームワークを提案する。 提案したディープラーニングフレームワークは、ベンチマークNWPU-RESISC45データセットに基づいて評価され、最高の分類精度94.7%を達成する。
  論文  参考訳（メタデータ） (2022-06-20T10:05:38Z)
• A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
  コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。 この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。 ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
  論文  参考訳（メタデータ） (2021-05-26T14:37:07Z)
• A Comparative Study of Using Spatial-Temporal Graph Convolutional Networks for Predicting Availability in Bike Sharing Schemes [13.819341724635319]
  都市における自転車シェアリングシステムの利用可能な自転車の数を予測するための注意ベースのST-GCN(AST-GCN)を紹介します。 実験結果はdublinbikesとnyc-citi bikeの2つの実世界のデータセットを用いて提示した。
  論文  参考訳（メタデータ） (2021-04-21T17:13:29Z)
• Robust Self-Ensembling Network for Hyperspectral Image Classification [38.84831094095329]
  この問題に対処するために,ロバストな自己認識ネットワーク(RSEN)を提案する。 rsenはベースネットワークとアンサンブルネットワークを含む2つのワークから成り立っている。 提案アルゴリズムは, 最先端手法と比較して, 競争性能を向上できることを示す。
  論文  参考訳（メタデータ） (2021-04-08T13:33:14Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• A Survey of Community Detection Approaches: From Statistical Modeling to Deep Learning [95.27249880156256]
  ネットワークコミュニティファイリング手法の統一アーキテクチャを開発し,提案する。 既存の手法を確率的グラフィカルモデルとディープラーニングという2つのカテゴリに分けた新しい分類法を提案する。 フィールドの課題の議論と今後の研究の方向性の提案を締めくくります。
  論文  参考訳（メタデータ） (2021-01-03T02:32:45Z)
• DNNs as Layers of Cooperating Classifiers [5.746505534720594]
  ディープニューラルネットワーク(DNN)の一般的な状況下での一般化能力を記述し、予測できる堅牢な理論的枠組みは、いまだ解明されていない。 完全に接続されたフィードフォワードネットワーク内の隠れノードの活性化パターンに興味深い規則性を示す。 これら2つのシステムは,勾配に基づく最適化プロセスから自然に発生し,個別かつ協調的に2つのシステムの分類能力を示す。
  論文  参考訳（メタデータ） (2020-01-17T07:45:26Z)

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。