論文の概要: Understanding the Dynamics of Information Flow During Disaster Response
Using Absorbing Markov Chains
- arxiv url: http://arxiv.org/abs/2006.06510v2
- Date: Sun, 5 Jul 2020 22:43:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-16 00:39:30.071965
- Title: Understanding the Dynamics of Information Flow During Disaster Response
Using Absorbing Markov Chains
- Title（参考訳）: 吸収マルコフ連鎖を用いた災害時情報流のダイナミクスの理解
- Authors: Yitong Li and Wenying Ji
- Abstract要約: 本稿では,災害対応効果に対する情報フローの影響を評価するための定量的モデルを提案する。
モデルの中核は、連邦支援をコミュニティに届ける過程をモデル化する、特別な吸収マルコフ連鎖である。
- 参考スコア（独自算出の注目度）: 15.97186478109836
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper aims to derive a quantitative model to evaluate the impact of
information flow on the effectiveness of disaster response. At the core of the
model is a specialized absorbing Markov chain that models the process of
delivering federal assistance to the community while considering stakeholder
interactions and information flow uncertainty. Using the proposed model, the
probability of community satisfaction is computed to reflect the effectiveness
of disaster response. A hypothetical example is provided to demonstrate the
applicability and interpretability of the derived quantitative model.
Practically, the research provides governmental stakeholders interpretable
insights for evaluating the impact of information flow on their disaster
response effectiveness so that critical stakeholders can be targeted proactive
actions for enhanced disaster response.
- Abstract（参考訳）: 本稿では,災害対応効果に対する情報フローの影響を評価するための定量的モデルを提案する。
モデルの中核は、利害関係者の相互作用と情報フローの不確実性を考慮して、連邦支援をコミュニティに提供する過程をモデル化する、特別な吸収マルコフ連鎖である。
提案モデルを用いて,災害対応の有効性を反映した地域満足度確率を算出した。
導出量モデルの適用性と解釈可能性を示す仮説的な例が提供される。
本研究は、災害対応効果に情報フローが及ぼす影響を評価するための知見を政府利害関係者に提示し、災害対応強化のための積極的行動の実施を可能にする。
関連論文リスト
- Data-Driven Bayesian Network Models of Hurricane Evacuation Decision Making [2.749589513485177]
ハリケーン時の避難決定をモデル化するためにベイジアンネットワーク(BN)を提案する。
ハリケーン・ハーベイ(Hurricane Harvey)とハリケーン・イルマ(Hurricane Irma)の2つの重要なハリケーンイベントのアンケートデータを収集した。
両ハリケーンの学習構造について検討・比較し,避難予測因子間の因果関係について検討した。
論文 参考訳（メタデータ） (2023-11-16T22:58:57Z) - Decoding Susceptibility: Modeling Misbelief to Misinformation Through a Computational Approach [61.04606493712002]
誤報に対する感受性は、観測不可能な不検証の主張に対する信念の度合いを記述している。
既存の感受性研究は、自己報告された信念に大きく依存している。
本稿では,ユーザの潜在感受性レベルをモデル化するための計算手法を提案する。
論文 参考訳（メタデータ） (2023-11-16T07:22:56Z) - Unveiling Safety Vulnerabilities of Large Language Models [4.562678399685183]
本稿では,AttaQと呼ばれる質問の形で,敵対的な事例を含むユニークなデータセットを提案する。
各種モデルの脆弱性を解析することにより,データセットの有効性を評価する。
脆弱なセマンティック領域を特定し命名するための新しい自動アプローチを提案する。
論文 参考訳（メタデータ） (2023-11-07T16:50:33Z) - 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) - Measuring the Effect of Influential Messages on Varying Personas [67.1149173905004]
我々は、ニュースメッセージを見る際にペルソナが持つ可能性のある応答を推定するために、ニュースメディア向けのペルソナに対するレスポンス予測という新しいタスクを提示する。
提案課題は,モデルにパーソナライズを導入するだけでなく,各応答の感情極性と強度も予測する。
これにより、ペルソナの精神状態に関するより正確で包括的な推測が可能になる。
論文 参考訳（メタデータ） (2023-05-25T21:01:00Z) - Causal Disentangled Variational Auto-Encoder for Preference
Understanding in Recommendation [50.93536377097659]
本稿では,コメンテータシステムにおける対話データから因果不整合表現を学習するためのCaD-VAE(Causal Disentangled Variational Auto-Encoder)を提案する。
この手法は構造因果モデルを用いて、潜在因子間の因果関係を記述する因果表現を生成する。
論文 参考訳（メタデータ） (2023-04-17T00:10:56Z) - Preference Enhanced Social Influence Modeling for Network-Aware Cascade
Prediction [59.221668173521884]
本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。
エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
論文 参考訳（メタデータ） (2022-04-18T09:25:06Z) - Stateful Offline Contextual Policy Evaluation and Learning [88.9134799076718]
我々は、シーケンシャルデータから、政治以外の評価と学習について研究する。
動的パーソナライズされた価格設定などの問題の因果構造を形式化する。
本報告では,本クラスにおけるアウト・オブ・サンプル・ポリシーの性能改善について述べる。
論文 参考訳（メタデータ） (2021-10-19T16:15:56Z) - Adaptive Reinforcement Learning Model for Simulation of Urban Mobility
during Crises [2.5876546798940616]
本研究では,通常の状況下で人間の移動パターンを学習できる適応型強化学習モデルを提案し,検証する。
提案したモデルの適用例は,ヒューストンの状況と,2017年8月にハリケーン・ハーベイによって引き起こされた洪水シナリオに示されている。
論文 参考訳（メタデータ） (2020-09-02T21:47:18Z)
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。