論文の概要: Can Smartphone Co-locations Detect Friendship? It Depends How You Model
It
- arxiv url: http://arxiv.org/abs/2008.02919v3
- Date: Mon, 31 Aug 2020 02:15:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 02:06:13.307879
- Title: Can Smartphone Co-locations Detect Friendship? It Depends How You Model
It
- Title(参考訳): スマートフォンのコロケーションは友達を検知できるか?
モデル化の仕方次第です
- Authors: Momin M. Malik, Afsaneh Doryab, Michael Merrill, J\"urgen Pfeffer,
Anind K. Dey
- Abstract要約: 本稿では、友情、その強さ、および友愛会の会員が収集したスマートフォンの位置データからの変化を検知する研究について述べる。
ランダムなベースラインの30%以上で、友人関係や親密な友情を検知する、豊富なコロケーション特徴とビルド分類器を抽出する。
- 参考スコア(独自算出の注目度): 4.9649587410565745
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a study to detect friendship, its strength, and its change from
smartphone location data collectedamong members of a fraternity. We extract a
rich set of co-location features and build classifiers that detectfriendships
and close friendship at 30% above a random baseline. We design cross-validation
schema to testour model performance in specific application settings, finding
it robust to seeing new dyads and to temporalvariance.
- Abstract(参考訳): 本稿では、友情、その強さ、および友愛会の会員が収集したスマートフォンの位置データからの変化を検知する研究について述べる。
ランダムなベースラインの30%以上で、友人関係や親密な友情を検知する、豊富なコロケーション特徴とビルド分類器を抽出する。
我々は、クロスバリデーションスキーマを設計して、特定のアプリケーション設定でモデルパフォーマンスをテストする。
関連論文リスト
- PatchContrast: Self-Supervised Pre-training for 3D Object Detection [14.603858163158625]
PatchContrastは、3Dオブジェクト検出のための新しい自己教師付きポイントクラウド事前学習フレームワークである。
提案手法は,3つの一般的な3次元検出データセットにおいて,既存の最先端モデルよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-08-14T07:45:54Z) - Unified Visual Relationship Detection with Vision and Language Models [89.77838890788638]
この研究は、複数のデータセットからラベル空間の結合を予測する単一の視覚的関係検出器のトレーニングに焦点を当てている。
視覚と言語モデルを活用した統合視覚関係検出のための新しいボトムアップ手法UniVRDを提案する。
人物体間相互作用検出とシーングラフ生成の双方による実験結果から,本モデルの競合性能が示された。
論文 参考訳(メタデータ) (2023-03-16T00:06:28Z) - Learning Classifiers of Prototypes and Reciprocal Points for Universal
Domain Adaptation [79.62038105814658]
Universal Domainは、ドメインシフトとカテゴリシフトという2つのシフトを処理して、データセット間で知識を転送することを目的としている。
主な課題は、既知のクラス知識の分布をソースからターゲットに適応させながら、未知のターゲットサンプルを正しく識別することである。
既存のほとんどの手法は、まずターゲットが適応した既知の知識を訓練し、次に未知のターゲットサンプルを識別するために単一のしきい値に依存することでこの問題に対処する。
論文 参考訳(メタデータ) (2022-12-16T09:01:57Z) - End-to-end Person Search Sequentially Trained on Aggregated Dataset [1.9766522384767227]
本稿では,検出と特徴抽出を共同で計算するエンド・ツー・エンドのモデルを提案する。
コストのかかるIDアノテーションを使わずに、より多くの歩行者検出データセットを集約することで、共有機能マップがより汎用的であることを示す。
論文 参考訳(メタデータ) (2022-01-24T11:22:15Z) - Contextual Unsupervised Outlier Detection in Sequences [6.498751019721444]
本研究では,トラジェクトリ(シーケンス)外乱検出のための教師なし学習フレームワークを提案する。
last.fm と msnbc.com のユーザアクションに基づく実データと模擬データセットの収集について,本手法の評価を行った。
Facebookの友達の投稿を他のタイプのユーザーよりも大幅にシェアする傾向にあり、Pinterest上での共有行動にFacebookの友情が潜在的に影響していることを示している。
論文 参考訳(メタデータ) (2021-11-06T05:44:58Z) - Exploring Visual Context for Weakly Supervised Person Search [155.46727990750227]
人探索は、歩行者の検出と人物の再識別を共同で扱う、困難なタスクとして最近登場した。
既存のアプローチは、バウンディングボックスとIDアノテーションの両方が利用可能な完全に教師付き設定に従っている。
本稿では,ボックスアノテーションのみを用いた弱教師付き人物検索について実験的に考察する。
論文 参考訳(メタデータ) (2021-06-19T14:47:13Z) - When Liebig's Barrel Meets Facial Landmark Detection: A Practical Model [87.25037167380522]
正確で、堅牢で、効率的で、一般化可能で、エンドツーエンドのトレーニングが可能なモデルを提案する。
精度を向上させるために,2つの軽量モジュールを提案する。
DQInitは、インプットからデコーダのクエリを動的に初期化し、複数のデコーダ層を持つものと同じ精度でモデルを実現する。
QAMemは、共有するクエリではなく、それぞれのクエリに別々のメモリ値を割り当てることで、低解像度のフィーチャーマップ上のクエリの識別能力を高めるように設計されている。
論文 参考訳(メタデータ) (2021-05-27T13:51:42Z) - Online Multiple Object Tracking with Cross-Task Synergy [120.70085565030628]
位置予測と埋め込み結合の相乗効果を考慮した新しい統一モデルを提案する。
この2つのタスクは、時間認識対象の注意と注意の注意、およびアイデンティティ認識メモリ集約モデルによってリンクされる。
論文 参考訳(メタデータ) (2021-04-01T10:19:40Z) - A Multi-task Joint Framework for Real-time Person Search [21.11138392681009]
MJF (Multi-task Joint Framework for Real-time Person Search) を提案する。
人検出モジュールとして,人物データセットをトレーニングしたYOLOv5-GSモデルを提案する。
特徴抽出モジュールでは、人数に応じて異なるネットワークを選択することができるモデル適応アーキテクチャ(MAA)を設計する。
論文 参考訳(メタデータ) (2020-12-11T15:21:15Z) - Discriminative Nearest Neighbor Few-Shot Intent Detection by
Transferring Natural Language Inference [150.07326223077405]
データ不足を緩和するためには、ほとんどショットラーニングが注目を集めている。
深部自己注意を伴う識別的近傍分類を提示する。
自然言語推論モデル(NLI)を変換することで識別能力を高めることを提案する。
論文 参考訳(メタデータ) (2020-10-25T00:39:32Z)
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。