論文の概要: Adolescent relational behaviour and the obesity pandemic: A descriptive
study applying social network analysis and machine learning techniques
- arxiv url: http://arxiv.org/abs/2402.03385v1
- Date: Sun, 4 Feb 2024 09:19:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-07 18:35:58.102895
- Title: Adolescent relational behaviour and the obesity pandemic: A descriptive
study applying social network analysis and machine learning techniques
- Title（参考訳）: 青年期の関係行動と肥満パンデミック--ソーシャルネットワーク分析と機械学習を応用した記述的研究
- Authors: Pilar Marqu\'es-S\'anchez, Mar\'ia Cristina Mart\'inez-Fern\'andez,
Jos\'e Alberto Ben\'itez-Andrades, Enedina Quiroga-S\'anchez, Mar\'ia Teresa
Garc\'ia-Ord\'as and Natalia Arias-Ramos
- Abstract要約: Aim: グループのノードの属性間の類似性を探ることで,サブグループの存在を研究する。
Aim: SNAと人工知能技術による類似性の観点から,グループ間の接続性を分析する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Aim: To study the existence of subgroups by exploring the similarities
between the attributes of the nodes of the groups, in relation to diet and
gender and, to analyse the connectivity between groups based on aspects of
similarities between them through SNA and artificial intelligence techniques.
Methods: 235 students from 5 different educational centres participate in
this study between March and December 2015. Data analysis carried out is
divided into two blocks: social network analysis and unsupervised machine
learning techniques. As for the social network analysis, the Girvan-Newman
technique was applied to find the best number of cohesive groups within each of
the friendship networks of the different classes analysed.
Results: After applying Girvan-Newman in the three classes, the best division
into clusters was respectively 2 for classroom A, 7 for classroom B and 6 for
classroom C. There are significant differences between the groups and the
gender and diet variables. After applying K-means using population diet as an
input variable, a K-means clustering of 2 clusters for class A, 3 clusters for
class B and 3 clusters for class C is obtained.
Conclusion: Adolescents form subgroups within their classrooms. Subgroup
cohesion is defined by the fact that nodes share similarities in aspects that
influence obesity, they share attributes related to food quality and gender.
The concept of homophily, related to SNA, justifies our results. Artificial
intelligence techniques together with the application of the Girvan-Newman
provide robustness to the structural analysis of similarities and cohesion
between subgroups.
- Abstract（参考訳）: 目的: ダイエットとジェンダーとの関連において、グループのノードの属性の類似性を調べ、snaおよび人工知能技術によるグループ間の類似性の観点からグループ間の接続性を分析することにより、サブグループの存在を研究すること。
方法】2015年3月から12月にかけて,5つの教育センターから235名の学生が参加する。
データ分析は、ソーシャルネットワーク分析と教師なし機械学習の2つのブロックに分けられる。
ソーシャル・ネットワーク分析では,異なる階層の交友ネットワークの中で最も多くの結束性のあるグループを見いだすためにgillvan-newman法が適用された。
結果:gillvan-newmanを3クラスに分けた場合,クラスaでは2つ,クラスbでは7つ,クラスcでは6つであった。
集団食を入力変数としてK平均を適用すると、クラスAの2クラスタ、クラスBの3クラスタ、クラスCの3クラスタからなるK平均クラスタリングが得られる。
結論: 青年は教室内でサブグループを形成する。
サブグループの凝集は、ノードが肥満に影響を与える側面で類似点を共有しているという事実によって定義される。
SNAに関連するホモフィリーの概念は、我々の結果を正当化する。
Girvan-Newmanの応用とともに人工知能技術は、サブグループ間の類似性と凝集の構造解析に堅牢性をもたらす。
関連論文リスト
- A3S: A General Active Clustering Method with Pairwise Constraints [66.74627463101837]
A3Sは、適応クラスタリングアルゴリズムによって得られる初期クラスタ結果に対して、戦略的にアクティブクラスタリングを調整する。
さまざまな実世界のデータセットにわたる広範な実験において、A3Sは、人間のクエリを著しく少なくして、望ましい結果を達成する。
論文 参考訳（メタデータ） (2024-07-14T13:37:03Z) - Interpret3C: Interpretable Student Clustering Through Individualized Feature Selection [2.428031280449541]
教育におけるクラスタリング、特にMOOCのような大規模オンライン環境でのクラスタリングは、多様な学生のニーズを理解し、適応するために不可欠である。
既存のクラスタリングアプローチは、機能の重要性における個々の違いを無視し、均質化された機能セットに依存していることが多い。
本稿では,解釈可能なニューラルネットワーク(NN)を教師なし学習コンテキストに組み込んだ,新たなクラスタリングパイプラインであるInterpret3Cを紹介する。
論文 参考訳（メタデータ） (2024-05-28T15:32:05Z) - Identification of cohesive subgroups in a university hall of residence
during the COVID-19 pandemic using a social network analysis approach [0.0]
新型コロナウイルス(COVID-19)パンデミックの間、若い大学生は関係に大きな変化を経験してきた。
これまでの研究では、感染過程における関係構造の重要性が示されている。
この研究は、パンデミックの間に感染を好むか好まないネットワーク構造を作るために、性別、人種、そして彼らが生活する建物の重要性を示す証拠を提供する。
論文 参考訳（メタデータ） (2024-02-14T14:48:28Z) - Understanding Imbalanced Semantic Segmentation Through Neural Collapse [81.89121711426951]
セマンティックセグメンテーションは自然に文脈的相関とクラス間の不均衡分布をもたらすことを示す。
機能中心にレギュレータを導入し、ネットワークが魅力ある構造に近い機能を学ぶことを奨励する。
我々の手法は、ScanNet200テストリーダーボードで1位にランクインし、新しい記録を樹立する。
論文 参考訳（メタデータ） (2023-01-03T13:51:51Z) - Overlapping oriented imbalanced ensemble learning method based on
projective clustering and stagewise hybrid sampling [22.32930261633615]
本稿では、二重クラスタリングとステージワイドハイブリッドサンプリング(DCSHS)に基づくアンサンブル学習アルゴリズムを提案する。
我々のアルゴリズムの大きな利点は、重なり合う多数サンプルのソフトな除去を実現するためにCSの交叉性を利用することができることである。
論文 参考訳（メタデータ） (2022-11-30T01:49:06Z) - Improving Facial Attribute Recognition by Group and Graph Learning [34.39507051712628]
属性間の関係を爆発させることは、顔属性認識を改善する上で重要な課題である。
本研究では,空間的関係と非空間的関係の2種類の相関関係について考察する。
マルチスケールグループとグラフネットワークという統合ネットワークを提案する。
論文 参考訳（メタデータ） (2021-05-28T13:36:28Z) - Group Collaborative Learning for Co-Salient Object Detection [152.67721740487937]
協調物体をリアルタイムで検出できる新しいグループ協調学習フレームワーク(GCoNet)を提案する(16ms)。
CoCA、CoSOD3k、Cosal2015の3つの挑戦的なベンチマークに関する大規模な実験は、我々の単純なGCoNetが10の最先端モデルより優れ、新しい最先端モデルを達成することを実証している。
論文 参考訳（メタデータ） (2021-03-15T13:16:03Z) - Social Interactions Clustering MOOC Students: An Exploratory Study [57.822523354358665]
コメントは、学生が学生とどのように交流したか、例えば学生のコメントが同僚から返信を受けたかに基づいて分類された。
統計的モデリングと機械学習はコメント分類の分析に用いられ、3つの強く安定したクラスタが生成される。
論文 参考訳（メタデータ） (2020-08-10T09:32:38Z) - Symbiotic Adversarial Learning for Attribute-based Person Search [86.7506832053208]
本稿では,共生学習の枠組みとして,共生学習の基盤に2つのGANを配置する。
具体的には、2種類の生成的敵ネットワークがトレーニングプロセスを通して協調的に学習する。
論文 参考訳（メタデータ） (2020-07-19T07:24:45Z) - Learning Embeddings for Image Clustering: An Empirical Study of Triplet
Loss Approaches [10.42820615166362]
我々は,Triplet Lossによる特徴空間埋め込みの文脈において,k平均クラスタリングと相関クラスタリングという2つの異なる画像クラスタリングの目的を評価する。
我々は、三重項損失の2つの人気のあるバージョンを最適化することで、差別的特徴を学習するために畳み込みニューラルネットワークを訓練する。
本稿では,形式的クラスタリングの目的に対して望ましい特性を示し,既存の手法より優れる,新しい単純なトリプルトロスの定式化を提案する。
論文 参考訳（メタデータ） (2020-07-06T23:38:14Z) - LSD-C: Linearly Separable Deep Clusters [145.89790963544314]
ラベルなしデータセットのクラスタを識別する新しい手法であるLSD-Cを提案する。
本手法は,最近の半教師付き学習の実践からインスピレーションを得て,クラスタリングアルゴリズムと自己教師付き事前学習と強力なデータ拡張を組み合わせることを提案する。
CIFAR 10/100, STL 10, MNIST, および文書分類データセットReuters 10Kなど, 一般的な公開画像ベンチマークにおいて, 当社のアプローチが競合より大幅に優れていたことを示す。
論文 参考訳（メタデータ） (2020-06-17T17:58:10Z)
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。