論文の概要: A graph-based multimodal framework to predict gentrification

• arxiv url: http://arxiv.org/abs/2312.15646v2
• Date: Wed, 27 Dec 2023 16:37:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-29 21:01:28.496039
• Title: A graph-based multimodal framework to predict gentrification
• Title（参考訳）: ジェントリフィケーションを予測するグラフベースのマルチモーダルフレームワーク
• Authors: Javad Eshtiyagh, Baotong Zhang, Yujing Sun, Linhui Wu, Zhao Wang
• Abstract要約: 本稿では,トラクタと必須施設の都市ネットワークに基づくジェントリフィケーションを予測するための,グラフに基づくマルチモーダル深層学習フレームワークを提案する。 シカゴ、ニューヨーク、ロサンゼルスのデータを使って提案されたフレームワークをトレーニングし、テストする。 このモデルは平均0.9倍の精度で国勢調査水準のジェントリフィケーションを予測できる。
• 参考スコア（独自算出の注目度）: 4.429604861456339
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gentrification--the transformation of a low-income urban area caused by the influx of affluent residents--has many revitalizing benefits. However, it also poses extremely concerning challenges to low-income residents. To help policymakers take targeted and early action in protecting low-income residents, researchers have recently proposed several machine learning models to predict gentrification using socioeconomic and image features. Building upon previous studies, we propose a novel graph-based multimodal deep learning framework to predict gentrification based on urban networks of tracts and essential facilities (e.g., schools, hospitals, and subway stations). We train and test the proposed framework using data from Chicago, New York City, and Los Angeles. The model successfully predicts census-tract level gentrification with 0.9 precision on average. Moreover, the framework discovers a previously unexamined strong relationship between schools and gentrification, which provides a basis for further exploration of social factors affecting gentrification.
• Abstract（参考訳）: ジェントリフィケーション - 裕福な住民の流入による低所得都市部の変容-は、多くの再生利益をもたらしている。 しかし、低所得の住民にとっての課題も極めて大きい。 政策立案者が低所得者を保護するためのターゲットと早期の行動を支援するため、研究者は最近、社会経済と画像の特徴を用いた性化を予測する機械学習モデルをいくつか提案した。 先行研究に基づいて, 道路・必須施設(学校, 病院, 地下鉄駅など)の都市ネットワークに基づくゲントリフィケーションを予測するための, グラフ型マルチモーダル深層学習フレームワークを提案する。 シカゴ、ニューヨーク、ロサンゼルスのデータを使って提案されたフレームワークをトレーニングし、テストする。 このモデルは平均0.9倍の精度で国勢調査水準のジェントリフィケーションを予測できる。 さらに、この枠組みは、学校とジェントリフィケーションの未検討の強い関係を発見し、ジェントリフィケーションに影響を及ぼす社会的要因のさらなる探索の基盤となる。

関連論文リスト

• A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation [59.14165404728197]
  我々は,分散シフト下での深層グラフ学習について,最新かつ先見的なレビューを行う。 具体的には,グラフ OOD 一般化,トレーニング時グラフ OOD 適応,テスト時グラフ OOD 適応の3つのシナリオについて述べる。 文献の理解を深めるために,提案した分類に基づく既存モデルを体系的に分類した。
  論文  参考訳（メタデータ） (2024-10-25T02:39:56Z)
• Demo2Vec: Learning Region Embedding with Demographic Information [0.23020018305241333]
  単純でアクセスが容易な人口統計データによって、最先端領域の埋め込みの質が向上することを示す。 KL分散に基づく既存のプレトレイン法は移動情報に偏りがあることが判明した。 ニューヨークとシカゴの双方の実験結果から、モビリティと収入がプレトレインデータの組み合わせで最高のものであることが示されている。
  論文  参考訳（メタデータ） (2024-09-25T11:39:16Z)
• Explainable Hierarchical Urban Representation Learning for Commuting Flow Prediction [1.5156879440024378]
  通勤フロー予測は、現実の自治体の業務に欠かせない課題である。 我々は,異なるタイプのODフローを予測するために,意味のある領域埋め込みを生成するヘテロジニアスグラフベースモデルを開発した。 提案モデルでは,一様都市構造の観点から既存モデルよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-08-27T03:30:01Z)
• Granularity at Scale: Estimating Neighborhood Socioeconomic Indicators from High-Resolution Orthographic Imagery and Hybrid Learning [1.8369448205408005]
  オーバーヘッド画像は、コミュニティ情報が不足しているギャップを埋めるのに役立つ。 機械学習とコンピュータビジョンの最近の進歩により、画像データのパターンから素早く特徴を抽出し、検出することが可能になった。 本研究では, 人口密度, 中央値世帯所得, 教育達成率の2つのアプローチ, 教師付き畳み込みニューラルネットワークと半教師付きクラスタリングについて検討する。
  論文  参考訳（メタデータ） (2023-09-28T19:30:26Z)
• Improved Bayes Risk Can Yield Reduced Social Welfare Under Competition [99.7047087527422]
  本研究は,機械学習のスケーリングトレンドの振る舞いを根本的に変化させることを実証する。 データ表現品質の改善により、ユーザ間での全体的な予測精度が低下する、多くの設定が見つかる。 概念レベルでは,各モデルプロジェクタのスケーリング傾向が,社会福祉の下流改善に寄与する必要はないことが示唆された。
  論文  参考訳（メタデータ） (2023-06-26T13:06:34Z)
• Detecting Neighborhood Gentrification at Scale via Street-level Visual Data [13.43323482272063]
  そこで本研究では,近隣住民の身体的外観に基づいて,近隣住民のジェントリフィケーションを大規模に検出する手法を提案する。 提案手法の有効性を,従来の文献やケーススタディのジェントリフィケーション手法と比較し,提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2023-01-04T22:52:29Z)
• A Contextual Master-Slave Framework on Urban Region Graph for Urban Village Detection [68.84486900183853]
  都市域を階層的にモデル化する都市域グラフ(URG)を構築した。 そこで我々は,都市部をURGから効果的に検出する新しいコンテキスト・マスタ・スレーブ・フレームワークを設計した。 提案手法は,都市部における紫外線検出の一般性と特異性のバランスをとることができる。
  論文  参考訳（メタデータ） (2022-11-26T18:17:39Z)
• Learning Economic Indicators by Aggregating Multi-Level Geospatial Information [20.0397537179667]
  本研究は,複数レベルの地理的単位から観測される特徴を集約することで,経済指標を予測するための深層学習モデルを提案する。 我々の新しいマルチレベル学習モデルは、人口、購買力、エネルギー消費などの重要な指標を予測する上で、強いベースラインを著しく上回ります。 我々は、不平等と貧困に関する政策・社会科学研究において不可欠な第一歩である不平等を測定するためのマルチレベルモデルについて論じる。
  論文  参考訳（メタデータ） (2022-05-03T13:05:39Z)
• Methodological Foundation of a Numerical Taxonomy of Urban Form [62.997667081978825]
  本稿では, 生物系統学から得られた都市形態の数値分類法を提案する。 我々は同質の都市組織タイプを導出し、それら間の全体形態的類似性を決定することにより、都市形態の階層的分類を生成する。 フレーミングとプレゼンを行った後、プラハとアムステルダムの2都市でテストを行った。
  論文  参考訳（メタデータ） (2021-04-30T12:47:52Z)
• GAEA: Graph Augmentation for Equitable Access via Reinforcement Learning [50.90625274621288]
  異なるサブ人口によるリソースへの別のアクセスは、社会および社会技術ネットワークにおける一般的な問題です。 予算制約下でグラフエッジを編集することにより,ネットワークシステムにおける公平性を高めるため,新たな問題クラスであるグラフ拡張・等価アクセス(GAEA)を導入する。
  論文  参考訳（メタデータ） (2020-12-07T18:29:32Z)
• 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)

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。