論文の概要: Semantic-based End-to-End Learning for Typhoon Intensity Prediction
- arxiv url: http://arxiv.org/abs/2003.13779v2
- Date: Tue, 11 Aug 2020 11:02:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-21 05:06:57.505682
- Title: Semantic-based End-to-End Learning for Typhoon Intensity Prediction
- Title（参考訳）: 台風強度予測のための意味に基づくエンドツーエンド学習
- Authors: Hamada M. Zahera and Mohamed Ahmed Sherif, and Axel Ngonga
- Abstract要約: 既存の技術では、過去の環境データからやってくる災害を予測するために、さまざまな機械学習アプローチを採用している。
ソーシャルメディアの投稿(例えば、つぶやき)は非常に非公式であり、コンテンツは限られている。
災害関連つぶやきや環境データから学習し,台風の震度予測を改善するためのエンドツーエンドフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.2580765958706853
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Disaster prediction is one of the most critical tasks towards disaster
surveillance and preparedness. Existing technologies employ different machine
learning approaches to predict incoming disasters from historical environmental
data. However, for short-term disasters (e.g., earthquakes), historical data
alone has a limited prediction capability. Therefore, additional sources of
warnings are required for accurate prediction. We consider social media as a
supplementary source of knowledge in addition to historical environmental data.
However, social media posts (e.g., tweets) is very informal and contains only
limited content. To alleviate these limitations, we propose the combination of
semantically-enriched word embedding models to represent entities in tweets
with their semantic representations computed with the traditionalword2vec.
Moreover, we study how the correlation between social media posts and typhoons
magnitudes (also called intensities)-in terms of volume and sentiments of
tweets-. Based on these insights, we propose an end-to-end based framework that
learns from disaster-related tweets and environmental data to improve typhoon
intensity prediction. This paper is an extension of our work originally
published in K-CAP 2019 [32]. We extended this paper by building our framework
with state-of-the-art deep neural models, up-dated our dataset with new
typhoons and their tweets to-date and benchmark our approach against recent
baselines in disaster prediction. Our experimental results show that our
approach outperforms the accuracy of the state-of-the-art baselines in terms of
F1-score with (CNN by12.1%and BiLSTM by3.1%) improvement compared with last
experiments
- Abstract（参考訳）: 災害予知は,災害監視と防災への最重要課題の一つである。
既存の技術では、過去の環境データから来る災害を予測するために、さまざまな機械学習アプローチを採用している。
しかし、短期的な災害(地震など)の場合、歴史的データだけでは予測能力は限られている。
したがって、正確な予測には追加の警告源が必要である。
我々は,ソーシャルメディアを,歴史的環境データに加えて,知識の補助的な源と捉えている。
しかし、ソーシャルメディアの投稿(例えば、つぶやき)は非常に非公式であり、限られたコンテンツしか含まない。
そこで,これらの制約を緩和するために,ツイート中のエンティティを表す意味的エンリッチな単語埋め込みモデルと,従来のword2vecで計算された意味的表現の組み合わせを提案する。
さらに、ソーシャルメディア投稿と台風(インテンシティとも呼ばれる)の相関関係について、ツイートの量と感情の観点から検討した。
これらの知見に基づいて,災害関連つぶやきや環境データから学習し,台風の震度予測を改善するためのエンドツーエンドフレームワークを提案する。
本論文は,K-CAP 2019 [32]で最初に発表された論文の拡張である。
この論文を拡張して,最先端のディープニューラルモデルによる枠組みを構築し,新たな台風と最新のツイートによるデータセットを改良し,災害予測における最近のベースラインに対するアプローチをベンチマークした。
実験結果から,本手法はf1-scoreと (cnn by12.1%, bilstm bilstm by3.1%) による前実験と比較して精度が向上した。
関連論文リスト
- Off to new Shores: A Dataset & Benchmark for (near-)coastal Flood Inundation Forecasting [7.4807361562214405]
洪水は最も一般的で破壊的な自然災害の一つである。
近年の気象予知と宇宙からの洪水のマッピングは、極端な出来事を予想できる可能性を示した。
洪水範囲の直接予測を可能にするデータセットとベンチマークが欠如している。
論文 参考訳（メタデータ） (2024-09-27T09:51:25Z) - Public Health in Disaster: Emotional Health and Life Incidents Extraction during Hurricane Harvey [1.433758865948252]
嵐に関連する40万件の公開ツイートのデータセットを収集しました。
BERTベースのモデルを用いて、各ツイートに関連する感情を予測した。
グラフニューラルネットワーク(GNN)とLarge Language Models(LLM)を統合して分析をさらに改良した。
論文 参考訳（メタデータ） (2024-08-20T18:31:20Z) - Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates [49.93577170464313]
都市全域にわたる地上監視ネットワークにおける大気質観測について検討する。
我々は過去と将来の共変分を現在の観測に埋め込む条件付きブロックを提案する。
将来の気象情報に対する条件付けは,過去の交通状況を考えるよりも影響が大きいことが判明した。
論文 参考訳（メタデータ） (2024-04-08T09:13:16Z) - CrisisMatch: Semi-Supervised Few-Shot Learning for Fine-Grained Disaster
Tweet Classification [51.58605842457186]
半教師付き, 少数ショットの学習環境下で, 微粒な災害ツイート分類モデルを提案する。
私たちのモデルであるCrisisMatchは、ラベルなしデータと大量のラベルなしデータを用いて、ツイートを関心の細かいクラスに効果的に分類する。
論文 参考訳（メタデータ） (2023-10-23T07:01:09Z) - Decoding the Silent Majority: Inducing Belief Augmented Social Graph
with Large Language Model for Response Forecasting [74.68371461260946]
SocialSenseは、既存のソーシャルネットワーク上に信念中心のグラフを誘導するフレームワークであり、グラフベースの伝播によって社会的ダイナミクスを捉える。
本手法は,ゼロショット設定と教師あり設定の両方に対する実験的な評価において,既存の最先端技術を超えている。
論文 参考訳（メタデータ） (2023-10-20T06:17:02Z) - Harnessing Diverse Data for Global Disaster Prediction: A Multimodal
Framework [0.0]
本研究は, 新たな多モーダル災害予測フレームワークを提案する。
気象学的要因と地形学的要因との関係から, 地すべりや地すべりの予測に着目する。
モデルは利用可能なデータに基づいて慎重に構築されており、クラス不均衡に対処するための戦略も実装しています。
論文 参考訳（メタデータ） (2023-09-28T17:36:27Z) - Sarcasm Detection in a Disaster Context [103.93691731605163]
HurricaneSARCは,意図した皮肉に注釈を付けた15,000ツイートのデータセットである。
私たちの最高のモデルは、データセットで最大0.70F1を得ることができます。
論文 参考訳（メタデータ） (2023-08-16T05:58:12Z) - Forecasting Future World Events with Neural Networks [68.43460909545063]
Autocastは数千の予測質問と付随するニュースコーパスを含むデータセットである。
ニュースコーパスは日付によって整理され、人間が過去の予測を行った条件を正確にシミュレートすることができる。
予測タスクで言語モデルをテストし、パフォーマンスが人間専門家のベースラインよりはるかに低いことを確認します。
論文 参考訳（メタデータ） (2022-06-30T17:59:14Z) - A CNN-BiLSTM Model with Attention Mechanism for Earthquake Prediction [0.0]
本稿では、注意機構(AM)、畳み込みニューラルネットワーク(CNN)、双方向長短期記憶(BiLSTM)モデルに基づく新しい予測手法を提案する。
中国本土の地震カタログに基づいて,各地域の地震の規模と規模を推定することができる。
論文 参考訳（メタデータ） (2021-12-26T20:16:20Z) - Are socially-aware trajectory prediction models really socially-aware? [75.36961426916639]
我々は,予測モデルの社会的理解を評価するために,社会的に意図された攻撃を導入する。
攻撃は、予測器を失敗させるため、小さなが慎重に構成された摂動である。
我々の攻撃は、最先端モデルの社会的理解を高めるために有効であることを示す。
論文 参考訳（メタデータ） (2021-08-24T17:59:09Z)
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。