인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 저자정보
피인용 0
초록·키워드
Recent advancements in big data and artificial intelligence (AI) technologies have highlighted the need for more sophisticated methodologies to analyze large-scale textual data and uncover meaningful research trends. While traditional topic modeling techniques have been widely used for trend analysis, they often face challenges in maintaining clarity and coherence, particularly in datasets with complex relationships and diverse metadata. This study proposes a new heterogeneous graph neural network-based topic modeling framework (HeteroGTM) designed to address these limitations. By modeling the intricate relationships between papers, authors, and keywords as a heterogeneous graph, HeteroGTM integrates graph neural networks with k-means clustering to extract consistent and interpretable topics. To validate its effectiveness, HeteroGTM was applied to federated learning-related academic data, providing a comprehensive analysis of recent research trends in this field. The model demonstrated superior performance compared to traditional methods, achieving higher coherence and modularity scores. Additionally, HeteroGTM's versatility was confirmed through its successful application to other domains, including explainable AI and edge AI, where it consistently outperformed existing techniques. The proposed approach enhances the performances of topic modeling and paves the way for future research in data-driven academic network analysis.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
UCI(KEPA) : I410-151-26-02-094587296
