論文の概要: GeoAI-Enhanced Community Detection on Spatial Networks with Graph Deep Learning

• arxiv url: http://arxiv.org/abs/2411.15428v1
• Date: Sat, 23 Nov 2024 03:09:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:19:27.366963
• Title: GeoAI-Enhanced Community Detection on Spatial Networks with Graph Deep Learning
• Title（参考訳）: グラフ深層学習を用いた空間ネットワーク上でのGeoAIによるコミュニティ検出
• Authors: Yunlei Liang, Jiawei Zhu, Wen Ye, Song Gao,
• Abstract要約: 本研究では、地域2vecと呼ばれる、GeoAIによる教師なしコミュニティ検出手法のファミリーを提案する。 提案手法は,ノード属性の類似性と空間的相互作用強度を同時に最大化したい場合に,複数のベースラインと比較し,最善を尽くす。 また、公衆衛生における欠落地域脱線問題にも適用され、地域化問題におけるその可能性を実証している。
• 参考スコア（独自算出の注目度）: 2.3646445757741064
• License:
• Abstract: Spatial networks are useful for modeling geographic phenomena where spatial interaction plays an important role. To analyze the spatial networks and their internal structures, graph-based methods such as community detection have been widely used. Community detection aims to extract strongly connected components from the network and reveal the hidden relationships between nodes, but they usually do not involve the attribute information. To consider edge-based interactions and node attributes together, this study proposed a family of GeoAI-enhanced unsupervised community detection methods called region2vec based on Graph Attention Networks (GAT) and Graph Convolutional Networks (GCN). The region2vec methods generate node neural embeddings based on attribute similarity, geographic adjacency and spatial interactions, and then extract network communities based on node embeddings using agglomerative clustering. The proposed GeoAI-based methods are compared with multiple baselines and perform the best when one wants to maximize node attribute similarity and spatial interaction intensity simultaneously within the spatial network communities. It is further applied in the shortage area delineation problem in public health and demonstrates its promise in regionalization problems.
• Abstract（参考訳）: 空間ネットワークは、空間相互作用が重要な役割を果たす地理的現象をモデル化するのに有用である。 空間ネットワークとその内部構造を解析するために,コミュニティ検出などのグラフベースの手法が広く用いられている。 コミュニティ検出は、ネットワークから強く接続されたコンポーネントを抽出し、ノード間の隠れた関係を明らかにすることを目的としている。 エッジベースインタラクションとノード属性を併用して検討するため,GeoAIで強化された,グラフ注意ネットワーク(GAT)とグラフ畳み込みネットワーク(GCN)に基づく領域2vecと呼ばれる非教師付きコミュニティ検出手法のファミリーを提案する。 rea2vec法は属性類似性、地理的隣接性、空間的相互作用に基づいてノードニューラル埋め込みを生成し、アグロメレーティブクラスタリングを用いてノード埋め込みに基づいてネットワークコミュニティを抽出する。 提案手法は,空間ネットワークコミュニティ内でノード特性の類似性と空間的相互作用強度を同時に最大化したい場合に,複数のベースラインと比較し,最善を尽くす。 また、公衆衛生における欠落地域脱線問題にも適用され、地域化問題におけるその可能性を実証している。

関連論文リスト

• HACD: Harnessing Attribute Semantics and Mesoscopic Structure for Community Detection [3.389327931408283]
  コミュニティ検出は、密接に結びついた部分グラフを明らかにする上で重要な役割を果たす。 従来,ネットワークトポロジと属性情報を属性付きコミュニティ検出に有効活用してきた。 ヘテロジニアスグラフアテンションネットワークに基づく新しい属性付きコミュニティ検出モデルであるHACDを提案する。
  論文  参考訳（メタデータ） (2024-11-04T10:16:59Z)
• Learning Geospatial Region Embedding with Heterogeneous Graph [16.864563545518124]
  様々な下流タスクに対する包括的領域埋め込みを学習するための有効なヘテロジニアスグラフ構造であるGeoHGを提案する。 具体的には、地理的領域分割とPOI(point-of-interest)統合による衛星画像表現学習を、表現的地域内特徴のために調整する。 GeoHGは情報的空間依存性と社会環境特性を強力なヘテロジニアスグラフに統合し、高次の地域間関係の明示的なモデリングを促進する。
  論文  参考訳（メタデータ） (2024-05-23T03:19:02Z)
• Domain-adaptive Message Passing Graph Neural Network [67.35534058138387]
  クロスネットワークノード分類(CNNC)は、豊富なラベルを持つソースネットワークから知識を転送することで、ラベル不足のターゲットネットワーク内のノードを分類することを目的としている。 本稿では,グラフニューラルネットワーク(GNN)と条件付き対向ドメイン適応を統合したドメイン適応型メッセージパッシンググラフニューラルネットワーク(DM-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-08-31T05:26:08Z)
• BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
  自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。 ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
  論文  参考訳（メタデータ） (2023-07-28T00:44:57Z)
• 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)
• Region2Vec: Community Detection on Spatial Networks Using Graph Embedding with Node Attributes and Spatial Interactions [2.1793134762413437]
  本稿では,空間ネットワーク上でのGCNに基づくコミュニティ検出手法「rea2vec」を提案する。 提案手法は,共通属性を共有し,空間的相互作用が激しい領域に対して,まずノード埋め込みを生成する。 実験の結果,既存の手法が相互に類似性や空間的相互作用を交換する一方で,領域2vecは両者のバランスを保っていることが明らかとなった。
  論文  参考訳（メタデータ） (2022-10-10T02:32:55Z)
• A Variational Edge Partition Model for Supervised Graph Representation Learning [51.30365677476971]
  本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。 それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。 エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T14:37:50Z)
• Detecting Communities from Heterogeneous Graphs: A Context Path-based Graph Neural Network Model [23.525079144108567]
  コンテキストパスに基づくグラフニューラルネットワーク(CP-GNN)モデルを構築した。 ノード間の高次関係をノードの埋め込みに埋め込む。 最先端のコミュニティ検出手法よりも優れています。
  論文  参考訳（メタデータ） (2021-09-05T12:28:00Z)
• Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
  HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。 空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
  論文  参考訳（メタデータ） (2020-09-19T09:26:20Z)
• On the use of local structural properties for improving the efficiency of hierarchical community detection methods [77.34726150561087]
  本研究では,階層型コミュニティ検出の効率向上のために,局所構造ネットワーク特性をプロキシとして利用する方法について検討する。 また,ネットワークプルーニングの性能への影響を,階層的コミュニティ検出をより効率的にするための補助的手法として検証する。
  論文  参考訳（メタデータ） (2020-09-15T00:16:12Z)

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。