論文の概要: CureGraph: Contrastive Multi-Modal Graph Representation Learning for Urban Living Circle Health Profiling and Prediction

• arxiv url: http://arxiv.org/abs/2501.07157v1
• Date: Mon, 13 Jan 2025 09:30:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:25:28.153440
• Title: CureGraph: Contrastive Multi-Modal Graph Representation Learning for Urban Living Circle Health Profiling and Prediction
• Title（参考訳）: CureGraph: 都市循環型健康プロファイルと予測のための対照的なマルチモーダルグラフ表現学習
• Authors: Jinlin Li, Xiao Zhou,
• Abstract要約: 都市保健予測のためのマルチモーダル表現学習フレームワークであるCureGraphを提案する。 CureGraphは、各地区の都市生活圏における高齢者の一般的な慢性疾患の頻度を推定する。 クロスモーダルな空間依存を捉え、高齢者の健康に配慮した都市環境を包括的に理解する。
• 参考スコア（独自算出の注目度）: 13.681538916025021
• License:
• Abstract: The early detection and prediction of health status decline among the elderly at the neighborhood level are of great significance for urban planning and public health policymaking. While existing studies affirm the connection between living environments and health outcomes, most rely on single data modalities or simplistic feature concatenation of multi-modal information, limiting their ability to comprehensively profile the health-oriented urban environments. To fill this gap, we propose CureGraph, a contrastive multi-modal representation learning framework for urban health prediction that employs graph-based techniques to infer the prevalence of common chronic diseases among the elderly within the urban living circles of each neighborhood. CureGraph leverages rich multi-modal information, including photos and textual reviews of residential areas and their surrounding points of interest, to generate urban neighborhood embeddings. By integrating pre-trained visual and textual encoders with graph modeling techniques, CureGraph captures cross-modal spatial dependencies, offering a comprehensive understanding of urban environments tailored to elderly health considerations. Extensive experiments on real-world datasets demonstrate that CureGraph improves the best baseline by $28\%$ on average in terms of $R^2$ across elderly disease risk prediction tasks. Moreover, the model enables the identification of stage-wise chronic disease progression and supports comparative public health analysis across neighborhoods, offering actionable insights for sustainable urban development and enhanced quality of life. The code is publicly available at https://github.com/jinlin2021/CureGraph.
• Abstract（参考訳）: 地域高齢者の早期発見と健康状態低下の予測は、都市計画や公衆衛生政策において非常に重要である。 既存の研究では、生活環境と健康結果の関連性は確認されているが、ほとんどの場合、単一のデータモダリティや、マルチモーダル情報の単純な特徴結合に依存しており、健康志向の都市環境を包括的にプロファイルする能力は制限されている。 このギャップを埋めるために,各地区の都市生活圏における高齢者の一般的な慢性疾患の頻度を推定するためにグラフベースの手法を用いて,都市保健予測のための対照的なマルチモーダル表現学習フレームワークであるCureGraphを提案する。 CureGraphは、住宅地とその周辺の関心点の写真やテキストレビューを含むリッチなマルチモーダル情報を活用して、都市部の埋め込みを生成する。 学習済みのビジュアルエンコーダとテキストエンコーダをグラフモデリング技術に統合することにより、CureGraphはオブジェクト間の空間依存性をキャプチャし、高齢者の健康に配慮した都市環境の総合的な理解を提供する。 実世界のデータセットに対する大規模な実験は、CureGraphが高齢者の疾病リスク予測タスク全体で平均28セントのベースラインを平均28セントで改善していることを示している。 さらに、このモデルにより、段階的慢性疾患の進行の特定が可能となり、地域間の比較公衆衛生分析をサポートし、持続可能な都市開発のための実用的な洞察と生活の質の向上を提供する。 コードはhttps://github.com/jinlin2021/CureGraphで公開されている。

関連論文リスト

• StreetviewLLM: Extracting Geographic Information Using a Chain-of-Thought Multimodal Large Language Model [12.789465279993864]
  地理空間予測は災害管理、都市計画、公衆衛生など様々な分野において重要である。 提案するStreetViewLLMは,大規模言語モデルと連鎖推論とマルチモーダルデータソースを統合した新しいフレームワークである。 このモデルは、香港、東京、シンガポール、ロサンゼルス、ニューヨーク、ロンドン、パリを含む7つの世界都市に適用されている。
  論文  参考訳（メタデータ） (2024-11-19T05:15:19Z)
• Data Augmentation in Human-Centric Vision [54.97327269866757]
  本研究では,人間中心型視覚タスクにおけるデータ拡張手法の包括的分析を行う。 それは、人物のReID、人間のパーシング、人間のポーズ推定、歩行者検出など、幅広い研究領域に展開している。 我々の研究は、データ拡張手法をデータ生成とデータ摂動の2つの主なタイプに分類する。
  論文  参考訳（メタデータ） (2024-03-13T16:05:18Z)
• 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)
• A Comparative Study of Population-Graph Construction Methods and Graph Neural Networks for Brain Age Regression [48.97251676778599]
  医用画像では、人口グラフが有望な結果を示しており、主に分類作業に向けられている。 人口グラフの抽出は非自明な作業であり、グラフニューラルネットワーク(GNN)の性能に大きな影響を及ぼす可能性がある 本研究では,有意義なグラフ構築の重要性を強調し,異なる集団グラフ構築手法による実験を行う。
  論文  参考訳（メタデータ） (2023-09-26T10:30:45Z)
• Multimodal brain age estimation using interpretable adaptive population-graph learning [58.99653132076496]
  下流タスクに最適化された人口グラフ構造を学習するフレームワークを提案する。 注意機構は、画像と非画像の特徴のセットに重みを割り当てる。 グラフ構築において最も重要な注意重みを可視化することにより、グラフの解釈可能性を高める。
  論文  参考訳（メタデータ） (2023-07-10T15:35:31Z)
• Decoding Urban-health Nexus: Interpretable Machine Learning Illuminates Cancer Prevalence based on Intertwined City Features [1.4010916616909745]
  年齢、少数派、人口密度は、がんの流行の最も大きな要因である。 緑地の増加、開発途上国の減少、総排出量の削減は、がんの流行を緩和する可能性がある。
  論文  参考訳（メタデータ） (2023-06-20T18:56:37Z)
• Graph Attention Networks Unveil Determinants of Intra- and Inter-city Health Disparity [0.0]
  複数の異質な都市の特徴は、都市や異なる都市の様々な地区で病気の流行を調節する可能性がある。 本研究は, 肥満, 糖尿病, 癌, 心臓病の4病型において, 人口動態, 人口動態, 人口移動, 都市内および都市間格差について検討した。
  論文  参考訳（メタデータ） (2022-10-18T20:17:17Z)
• BEV-Net: Assessing Social Distancing Compliance by Joint People Localization and Geometric Reasoning [77.08836528980248]
  新型コロナウイルス(COVID-19)の感染拡大を受け、公衆衛生に不可欠なソーシャルディスタンシング(ソーシャルディスタンシング)が注目されている。 本研究では,広視野カメラを用いた公共空間における視覚的ソーシャル・ディスタンシング・コンプライアンス・アセスメントの課題について考察する。 鳥眼ビュー(BEV)下での注釈付き群集シーンのデータセットと距離測定のための地上真実を紹介する。 マルチブランチネットワークであるBEV-Netは、世界座標における個人をローカライズし、ソーシャルディスタンシングに違反する高リスク領域を特定するために提案されている。
  論文  参考訳（メタデータ） (2021-10-10T23:56:37Z)
• 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)
• Health Status Prediction with Local-Global Heterogeneous Behavior Graph [69.99431339130105]
  ウェアラブルセンサから継続的に収集される各種データストリームにより、健康状態の推定が可能です。 行動関連マルチソースデータストリームをローカル・グローバル・グラフでモデル化することを提案する。 学生生活データセットを用いて実験を行い,提案モデルの有効性を実証した。
  論文  参考訳（メタデータ） (2021-03-23T11:10:04Z)

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。