論文の概要: Hierarchical Overlapping Belief Estimation by Structured Matrix Factorization

• arxiv url: http://arxiv.org/abs/2002.05797v2
• Date: Mon, 19 Sep 2022 18:14:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-01 13:29:52.833243
• Title: Hierarchical Overlapping Belief Estimation by Structured Matrix Factorization
• Title（参考訳）: 構造行列分解による階層的重なり合う信念推定
• Authors: Chaoqi Yang, Jinyang Li, Ruijie Wang, Shuochao Yao, Huajie Shao, Dongxin Liu, Shengzhong Liu, Tianshi Wang, Tarek F. Abdelzaher
• Abstract要約: 本稿では,非教師なし非負行列分解(NMF)アルゴリズムを新たに開発し,BSMF(Belief Structured Matrix Factorization)と呼ぶ。 提案した教師なしアルゴリズムは、階層構造と同様に、潜在的信念の交点と相違点の両方をキャプチャする。
• 参考スコア（独自算出の注目度）: 12.49598377334778
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Much work on social media opinion polarization focuses on a flat categorization of stances (or orthogonal beliefs) of different communities from media traces. We extend in this work in two important respects. First, we detect not only points of disagreement between communities, but also points of agreement. In other words, we estimate community beliefs in the presence of overlap. Second, in lieu of flat categorization, we consider hierarchical belief estimation, where communities might be hierarchically divided. For example, two opposing parties might disagree on core issues, but within a party, despite agreement on fundamentals, disagreement might occur on further details. We call the resulting combined problem a hierarchical overlapping belief estimation problem. To solve it, this paper develops a new class of unsupervised Non-negative Matrix Factorization (NMF) algorithms, we call Belief Structured Matrix Factorization (BSMF). Our proposed unsupervised algorithm captures both the latent belief intersections and dissimilarities, as well as a hierarchical structure. We discuss the properties of the algorithm and evaluate it on both synthetic and real-world datasets. In the synthetic dataset, our model reduces error by 40%. In real Twitter traces, it improves accuracy by around 10%. The model also achieves 96.08% self-consistency in a sanity check.
• Abstract（参考訳）: ソーシャルメディアの意見の分極に関する多くの研究は、メディアトレースから異なるコミュニティのスタンス(または直交の信念)をフラットに分類することに焦点を当てている。 我々はこの仕事を2つの点で拡張する。 まず,コミュニティ間の不一致点だけでなく,合意点も検出する。 言い換えれば、重複の存在下でのコミュニティの信念を見積もるのです。 第二に、フラットな分類の代わりに、コミュニティが階層的に分割されるような階層的信念の推定を考える。 例えば、2つの野党は中核問題に賛成するかもしれないが、党内では基本に関する合意にもかかわらず、それ以上の詳細については意見の相違が生じる可能性がある。 結果として生じる複合問題を階層的重なり合う信念推定問題と呼ぶ。 そこで本研究では,非教師付き非負行列因子化(NMF)アルゴリズムを新たに開発し,BSMF(Belief Structured Matrix Factorization)と呼ぶ。 提案する非教師なしアルゴリズムは,潜在信念交叉と不一致,階層構造の両方をキャプチャする。 本アルゴリズムの特性について考察し,合成データと実世界データの両方で評価する。 合成データセットでは,誤差を40%削減する。 実際のTwitterトレースでは、精度を約10%向上させる。 このモデルは、衛生チェックで96.08%の自己整合性も達成している。

関連論文リスト

• A multi-core periphery perspective: Ranking via relative centrality [4.33459568143131]
  コミュニティとコア周辺は、広く研究されている2つのグラフ構造である。 グラフのコア周辺構造がコミュニティ構造を理解することに与える影響は、十分に利用されていない。 我々は,各コミュニティが密接な連結部分(中核)を持ち,残りの部分(周辺部)が疎い,基底真理コミュニティを持つグラフのための小説を紹介する。
  論文  参考訳（メタデータ） (2024-06-06T20:21:27Z)
• Decoupling Pixel Flipping and Occlusion Strategy for Consistent XAI Benchmarks [1.068128849363198]
  閉塞戦略は、単純な平均置換から、最先端拡散モデルによる塗装まで、大きく異なる可能性がある。 PFベンチマークは、ランキングに矛盾する結果となった。 特徴は、最も影響力のある第1(MIF)から始まるか、最も影響力の低い第1(LIF)から削除される。
  論文  参考訳（メタデータ） (2024-01-12T16:01:17Z)
• Contrastive Deep Nonnegative Matrix Factorization for Community Detection [29.143384185705617]
  我々は、CDNMF(Contrastive Deep Non negative Matrix Factorization)という新しいコミュニティ検出アルゴリズムを提案する。 コントラスト学習にヒントを得て,ネットワークトポロジとノード属性を2つのコントラストビューとして創造的に構築する。 我々は3つの公開実グラフデータセットの実験を行い、提案モデルは最先端の手法よりも優れた結果を得た。
  論文  参考訳（メタデータ） (2023-11-04T09:50:37Z)
• When Does Bottom-up Beat Top-down in Hierarchical Community Detection? [8.097200145973389]
  階層的なネットワークのクラスタリングは、階層の低いレベルがよりきめ細かいコミュニティ構造を明らかにするように、コミュニティのツリーを見つけることで構成される。 Agglomerative ($textitbottom-up$)アルゴリズムは、まず最小のコミュニティ構造を特定し、その後、$textitlinkage$メソッドを使ってコミュニティを何度もマージする。 ボトムアップアルゴリズムにより階層木と階層ブロックモデルのコミュニティ構造を復元するための理論的保証を確立する。
  論文  参考訳（メタデータ） (2023-06-01T15:55:46Z)
• Learnable Pillar-based Re-ranking for Image-Text Retrieval [119.9979224297237]
  画像テキスト検索は、モダリティギャップを埋め、意味的類似性に基づいてモダリティコンテンツを検索することを目的としている。 一般的なポストプロセッシング手法であるリグレードは, 単一モダリティ検索タスクにおいて, 隣り合う関係を捕捉する優位性を明らかにしている。 本稿では,画像テキスト検索のための新しい学習可能な柱型リグレードパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-04-25T04:33:27Z)
• D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling Algorithmic Bias [57.87117733071416]
  D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。 ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。 それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
  論文  参考訳（メタデータ） (2022-08-10T03:41:48Z)
• Deep Hierarchy in Bandits [51.22833900944146]
  行動の報酬は、しばしば相関する。 統計的効率を最大化するためには,これらの相関を学習に活用することが重要である。 平均作用報酬の相関が階層的ベイズモデルで表されるこの問題のバンディット変法を定式化する。
  論文  参考訳（メタデータ） (2022-02-03T08:15:53Z)
• Controlling the False Split Rate in Tree-Based Aggregation [11.226095593522691]
  木に基づくアグリゲーションのための仮説テストアルゴリズムを提案する。 木に基づく集約の2つの主要な例に焦点をあてる。1つは集約手段と、もう1つは回帰係数の集約を含む。
  論文  参考訳（メタデータ） (2021-08-11T17:59:22Z)
• MultiFair: Multi-Group Fairness in Machine Learning [52.24956510371455]
  機械学習におけるマルチグループフェアネスの研究(MultiFair) この問題を解決するために,汎用的なエンドツーエンドのアルゴリズムフレームワークを提案する。 提案するフレームワークは多くの異なる設定に一般化可能である。
  論文  参考訳（メタデータ） (2021-05-24T02:30:22Z)
• Pairwise Supervision Can Provably Elicit a Decision Boundary [84.58020117487898]
  類似性学習は、パターンのペア間の関係を予測することによって有用な表現を引き出す問題である。 類似性学習は、決定境界を直接引き出すことによって二項分類を解くことができることを示す。
  論文  参考訳（メタデータ） (2020-06-11T05:35:16Z)
• Neighborhood Matching Network for Entity Alignment [71.24217694278616]
  Neighborhood Matching Network (NMN)は、新しいエンティティアライメントフレームワークである。 NMNは、トポロジカル構造と近傍差の両方を捉えるために、エンティティ間の類似性を推定する。 まず、新しいグラフサンプリング法を用いて、各エンティティの識別的近傍を蒸留する。 その後、クロスグラフの近傍マッチングモジュールを採用し、与えられたエンティティペアの近傍差を共同で符号化する。
  論文  参考訳（メタデータ） (2020-05-12T08:26:15Z)

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。