論文の概要: Population-Scale Network Embeddings Expose Educational Divides in Network Structure Related to Right-Wing Populist Voting

• arxiv url: http://arxiv.org/abs/2508.21236v1
• Date: Thu, 28 Aug 2025 21:57:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 19:45:10.884261
• Title: Population-Scale Network Embeddings Expose Educational Divides in Network Structure Related to Right-Wing Populist Voting
• Title（参考訳）: 右翼ポピュリスト投票に関連するネットワーク構造における教育の多様性を表現した人口規模ネットワーク埋め込み
• Authors: Malte Lüken, Javier Garcia-Bernardo, Sreeparna Deb, Flavio Hafner, Megha Khosla,
• Abstract要約: 私たちは5つの共有コンテキストを表す人口規模ネットワークから、オランダのすべての人々のための埋め込みを作成しました。 埋め込みだけで、右翼のポピュリストはチャンスレベル以上の投票をするが、個々の特性よりも悪い結果が得られた。 本研究は,人口規模ネットワークの埋め込みを解釈可能であることを示すことによって,方法論的に貢献する。
• 参考スコア（独自算出の注目度）: 0.22200111515539334
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Administrative registry data can be used to construct population-scale networks whose ties reflect shared social contexts between persons. With machine learning, such networks can be encoded into numerical representations -- embeddings -- that automatically capture individuals' position within the network. We created embeddings for all persons in the Dutch population from a population-scale network that represents five shared contexts: neighborhood, work, family, household, and school. To assess the informativeness of these embeddings, we used them to predict right-wing populist voting. Embeddings alone predicted right-wing populist voting above chance-level but performed worse than individual characteristics. Combining the best subset of embeddings with individual characteristics only slightly improved predictions. However, after transforming the embeddings to make their dimensions more sparse and orthogonal, we found that one embedding dimension was strongly associated with the outcome. Mapping this dimension back to the population network revealed differences in network structure related to right-wing populist voting between different school ties and achieved education levels. Our study contributes methodologically by demonstrating how population-scale network embeddings can be made interpretable, and substantively by linking structural network differences in education to right-wing populist voting.
• Abstract（参考訳）: 行政登録データは、人間の共有社会的文脈を反映した人口規模ネットワークの構築に利用することができる。 機械学習では、そのようなネットワークは数値表現(埋め込み)に符号化され、ネットワーク内の個人の位置を自動的にキャプチャする。 オランダの人口規模ネットワークから、近所、仕事、家族、家庭、学校という5つの共有コンテキストを表現した埋め込みを作成した。 これらの埋め込みの情報性を評価するために,右翼ポピュリスト投票の予測に使用した。 埋め込みだけで、右翼のポピュリストはチャンスレベル以上の投票をするが、個々の特性よりも悪い結果が得られた。 埋め込みの最良のサブセットと個々の特性を組み合わせることで、予測はわずかに改善された。 しかし, 埋込次元を円滑かつ直交的に変換した結果, 1つの埋込次元が結果と強く関連していることが判明した。 この次元を人口ネットワークにマッピングすると、学校関係の異なる右翼ポピュリスト投票と教育水準の達成に関連するネットワーク構造の違いが明らかになった。 本研究は, 人口規模のネットワーク埋め込みを解釈可能とし, 教育における構造的ネットワークの差異を右翼ポピュリスト投票に結び付けることによって, 方法論的に貢献する。

関連論文リスト

• Covariate Dependent Mixture of Bayesian Networks [3.493206543979227]
  推論に単一のネットワーク構造を使用することは、サブ人口差を捉えないため、誤解を招く可能性がある。 本稿では,個々の特性に依存したベイズネットワークの混合をモデル化する新しい手法を提案する。 本手法は,サブ人口構成のネットワーク構造と人口動態予測器の両方を同定し,個人化された介入を支援する。
  論文  参考訳（メタデータ） (2025-01-10T06:21:48Z)
• Learning How to Vote with Principles: Axiomatic Insights Into the Collective Decisions of Neural Networks [4.8342038441006805]
  我々は、好みを集約するニューラルネットワークを構築し評価するフレームワークである、公理的なディープ投票を提案する。 1) ニューラルネットワークは, 精度が高いにもかかわらず, 投票規則の中核となる公理と一致せず, 結果の模倣と推論の解離が明らかになることが多い。 単に公理満足度を最適化することによって、ニューラルネットワークは、しばしば既存のものと大きく異なる新しい投票規則を合成することができる。
  論文  参考訳（メタデータ） (2024-10-21T16:35:58Z)
• Federated Graph Semantic and Structural Learning [54.97668931176513]
  本稿では,ノードレベルのセマンティクスとグラフレベルの構造の両方によって局所的なクライアントの歪みがもたらされることを示す。 構造的グラフニューラルネットワークは、固有の隣接関係のため、隣人に類似性を持っていると仮定する。 我々は、隣接関係を類似度分布に変換し、グローバルモデルを利用して関係知識を局所モデルに蒸留する。
  論文  参考訳（メタデータ） (2024-06-27T07:08:28Z)
• Unsupervised Domain Adaptation on Person Re-Identification via Dual-level Asymmetric Mutual Learning [108.86940401125649]
  本稿では,多種多様な埋め込み空間を持つより広い知識領域から識別的表現を学習するための,DAML(Dual-level Asymmetric Mutual Learning)を提案する。 2つのネットワーク間の知識伝達は、非対称な相互学習方式に基づいている。 Market-1501、CUHK-SYSU、MSMT17の公開データセットにおける実験は、最先端技術よりもDAMLの方が優れていることを証明した。
  論文  参考訳（メタデータ） (2023-01-29T12:36:17Z)
• Characterizing Polarization in Social Networks using the Signed Relational Latent Distance Model [0.0]
  ソーシャルネットワークにおける主要な関心事は、「us-versus-them」という考え方を促進する分極とフィルターバブルの出現である。 我々は,Skellam分布を符号付きネットワークの確率関数として初めて利用した潜在符号付きリレーショナル遅延dIstance Model (SLIM)を提案する。 本モデルでは, 友情や敵意をよく予測する低次元的特徴を抽出し, 極端位置で定義された解釈可能な可視化を提供する。
  論文  参考訳（メタデータ） (2023-01-23T16:01:26Z)
• Rank Diminishing in Deep Neural Networks [71.03777954670323]
  ニューラルネットワークのランクは、層をまたがる情報を測定する。 これは機械学習の幅広い領域にまたがる重要な構造条件の例である。 しかし、ニューラルネットワークでは、低ランク構造を生み出す固有のメカニズムはあいまいで不明瞭である。
  論文  参考訳（メタデータ） (2022-06-13T12:03:32Z)
• Encoding Hierarchical Information in Neural Networks helps in Subpopulation Shift [8.01009207457926]
  ディープニューラルネットワークは画像分類のタスクに適していることが証明されている。 本研究では,新しい条件付き教師あり学習フレームワークのレンズを用いて,上記の問題について検討する。 この構造的階層的な学習によって、サブ人口移動に対してより堅牢なネットワークが得られることを示す。
  論文  参考訳（メタデータ） (2021-12-20T20:26:26Z)
• 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)
• Contrastive Examples for Addressing the Tyranny of the Majority [83.93825214500131]
  我々は,グループメンバーシップを介在する,オリジナルのデータセットと新たなデータポイントからなるバランスの取れたトレーニングデータセットを作成することを提案する。 コントラッシブ・サンプル(英語版)と呼ばれるこれらのデータポイントを学習するための強力なツールとして、現在の生成的敵ネットワークが重要であることを示す。
  論文  参考訳（メタデータ） (2020-04-14T14:06:44Z)
• Global and Local Feature Learning for Ego-Network Analysis [0.7661062091984316]
  ego-networkでは、個人(ego)が異なるグループ(社会円)で友人(alter)を組織する。 深層学習による言語モデリングの最近の進歩は,ネットワーク表現を学習するための新しい手法にインスピレーションを与えている。 社会円予測の課題は,我々の技術が生み出すグローバルな特徴とローカルな特徴の組み合わせによってもたらされることを示す。
  論文  参考訳（メタデータ） (2020-02-16T21:35:04Z)

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。