論文の概要: I Know Where You Are Coming From: On the Impact of Social Media Sources
on AI Model Performance
- arxiv url: http://arxiv.org/abs/2002.01726v1
- Date: Wed, 5 Feb 2020 11:10:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-03 22:05:41.712324
- Title: I Know Where You Are Coming From: On the Impact of Social Media Sources
on AI Model Performance
- Title（参考訳）: あなたがどこから来るのか知っている。ソーシャルメディアソースがaiモデルのパフォーマンスに与える影響について
- Authors: Qi Yang, Aleksandr Farseev, Andrey Filchenkov
- Abstract要約: 我々は、異なるソーシャルネットワークのマルチモーダルデータから学習する際、異なる機械学習モデルの性能について検討する。
最初の実験結果から,ソーシャルネットワークの選択がパフォーマンスに影響を及ぼすことが明らかとなった。
- 参考スコア（独自算出の注目度）: 79.05613148641018
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Nowadays, social networks play a crucial role in human everyday life and no
longer purely associated with spare time spending. In fact, instant
communication with friends and colleagues has become an essential component of
our daily interaction giving a raise of multiple new social network types
emergence. By participating in such networks, individuals generate a multitude
of data points that describe their activities from different perspectives and,
for example, can be further used for applications such as personalized
recommendation or user profiling. However, the impact of the different social
media networks on machine learning model performance has not been studied
comprehensively yet. Particularly, the literature on modeling multi-modal data
from multiple social networks is relatively sparse, which had inspired us to
take a deeper dive into the topic in this preliminary study. Specifically, in
this work, we will study the performance of different machine learning models
when being learned on multi-modal data from different social networks. Our
initial experimental results reveal that social network choice impacts the
performance and the proper selection of data source is crucial.
- Abstract（参考訳）: 今日では、ソーシャルネットワークは人間の日常生活において重要な役割を担い、余暇な時間消費とは無関係である。
実際、友人や同僚とのインスタントコミュニケーションは、私たちの日々のやりとりの重要な要素となり、複数の新しいソーシャルネットワークタイプの出現をもたらしています。
このようなネットワークに参加することで、個人はさまざまな視点から活動を記述する複数のデータポイントを生成し、例えば、パーソナライズされたレコメンデーションやユーザープロファイリングといったアプリケーションにさらに利用することができる。
しかし、異なるソーシャルメディアネットワークが機械学習モデルのパフォーマンスに与える影響は、まだ包括的に研究されていない。
特に、複数のソーシャルネットワークからのマルチモーダルデータのモデリングに関する文献は、比較的スパースであり、この予備研究でこのトピックを深く掘り下げるきっかけとなった。
特に本研究では,異なるソーシャルネットワークのマルチモーダルデータを用いた学習において,異なる機械学習モデルの性能について検討する。
最初の実験結果から,ソーシャルネットワークの選択がパフォーマンスに影響を与え,適切なデータソースの選択が重要であることが明らかとなった。
関連論文リスト
- SoMeLVLM: A Large Vision Language Model for Social Media Processing [78.47310657638567]
ソーシャルメディア処理のための大規模ビジョン言語モデル(SoMeLVLM)を提案する。
SoMeLVLMは、知識と理解、応用、分析、評価、作成を含む5つの重要な機能を備えた認知フレームワークである。
実験により,複数のソーシャルメディアタスクにおいて,SoMeLVLMが最先端のパフォーマンスを達成できることが実証された。
論文 参考訳（メタデータ） (2024-02-20T14:02:45Z) - Social-LLM: Modeling User Behavior at Scale using Language Models and
Social Network Data [13.660150473547766]
本稿では,ユーザ検出タスクにおけるソーシャルネットワークデータのモデリングに適した新しいアプローチを提案する。
提案手法は,局所的なソーシャルネットワークのインタラクションを,大規模言語モデルの能力と統合する。
実世界の7つのソーシャル・ネットワーク・データセットにまたがって、我々の手法を徹底的に評価する。
論文 参考訳（メタデータ） (2023-12-31T05:13:13Z) - Co-Located Human-Human Interaction Analysis using Nonverbal Cues: A
Survey [71.43956423427397]
本研究の目的は,非言語的キューと計算手法を同定し,効果的な性能を実現することである。
この調査は、最も広い範囲の社会現象と相互作用設定を巻き込むことによって、相手と異なる。
もっともよく使われる非言語キュー、計算方法、相互作用環境、センシングアプローチは、それぞれマイクとカメラを備えた3,4人で構成される会話活動、ベクターマシンのサポート、ミーティングである。
論文 参考訳（メタデータ） (2022-07-20T13:37:57Z) - Sparsity-aware neural user behavior modeling in online interaction
platforms [2.4036844268502766]
ユーザ行動モデリングのための一般化可能なニューラル表現学習フレームワークを開発する。
問題設定は、トランスダクティブおよびインダクティブな学習シナリオにまたがる。
ユーザの振る舞いを反映した情報のさまざまな側面を活用して、大規模にパーソナライズされた推論を可能にする。
論文 参考訳（メタデータ） (2022-02-28T00:27:11Z) - Analyzing Wikipedia Membership Dataset and PredictingUnconnected Nodes
in the Signed Networks [0.666659730119789]
本研究では、Precison-Recall曲線とROCの下の領域を用いて、ソーシャルネットワーク内の2人の非接続者間の関係を予測する方法について検討する。
ソーシャル・ネットワークを署名グラフとしてモデル化し、トライadicモデル、Latent Informationモデル、Sentimentモデルを比較し、ピア・ピア間の相互作用を予測する。
論文 参考訳（メタデータ） (2021-10-18T09:03:18Z) - Two-Faced Humans on Twitter and Facebook: Harvesting Social Multimedia
for Human Personality Profiling [74.83957286553924]
我々は、"PERS"と呼ばれる新しい多視点融合フレームワークを適用して、マイアーズ・ブリッグス・パーソナリティ・タイプインジケータを推定する。
実験の結果,多視点データからパーソナリティ・プロファイリングを学習する能力は,多様なソーシャル・マルチメディア・ソースからやってくるデータを効率的に活用できることが示唆された。
論文 参考訳（メタデータ） (2021-06-20T10:48:49Z) - Human Trajectory Forecasting in Crowds: A Deep Learning Perspective [89.4600982169]
本稿では,既存の深層学習に基づくソーシャルインタラクションのモデル化手法について詳細に分析する。
本稿では、これらの社会的相互作用を効果的に捉えるための知識に基づく2つのデータ駆動手法を提案する。
我々は,人間の軌道予測分野において,重要かつ欠落したコンポーネントであるTrajNet++を大規模に開発する。
論文 参考訳（メタデータ） (2020-07-07T17:19:56Z) - DiffNet++: A Neural Influence and Interest Diffusion Network for Social
Recommendation [50.08581302050378]
ソーシャルレコメンデーションは、ユーザの未知の嗜好を予測するために、ユーザ間のソーシャルコネクションを活用するために現れている。
ソーシャルレコメンデーションのための神経影響拡散ネットワーク(DiffNet)の予備研究を提案する(Diffnet)。
本稿では,Diffnetの改良アルゴリズムであるDiffNet++を提案する。
論文 参考訳（メタデータ） (2020-01-15T08:45:34Z)
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。