Fugu-MT 論文翻訳(概要): Enhancing the Identification of Cyberbullying through Participant Roles

論文の概要: Enhancing the Identification of Cyberbullying through Participant Roles

arxiv url: http://arxiv.org/abs/2010.06640v2
Date: Fri, 23 Oct 2020 01:15:20 GMT
ステータス: 処理完了
システム内更新日: 2022-10-07 23:48:34.157235
Title: Enhancing the Identification of Cyberbullying through Participant Roles
Title（参考訳）: 参加者の役割によるサイバーいじめの特定強化
Authors: Gathika Ratnayaka, Thushari Atapattu, Mahen Herath, Georgia Zhang, Katrina Falkner
Abstract要約: 本稿では,ロールモデリングによるサイバーバブル検出の高度化に向けた新しいアプローチを提案する。我々は、ASKfmからのデータセットを利用してマルチクラス分類を行い、参加者の役割を検出する。
参考スコア（独自算出の注目度）: 1.399948157377307
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Cyberbullying is a prevalent social problem that inflicts detrimental consequences to the health and safety of victims such as psychological distress, anti-social behaviour, and suicide. The automation of cyberbullying detection is a recent but widely researched problem, with current research having a strong focus on a binary classification of bullying versus non-bullying. This paper proposes a novel approach to enhancing cyberbullying detection through role modeling. We utilise a dataset from ASKfm to perform multi-class classification to detect participant roles (e.g. victim, harasser). Our preliminary results demonstrate promising performance including 0.83 and 0.76 of F1-score for cyberbullying and role classification respectively, outperforming baselines.
Abstract（参考訳）: サイバーいじめは、精神的苦痛、反社会的行動、自殺などの犠牲者の健康と安全に有害な有害な影響をもたらす社会問題である。サイバーいじめ検出の自動化は近年広く研究されている問題であり、最近の研究はいじめと非いじめのバイナリ分類に重点を置いている。本稿では,ロールモデリングによるサイバーいじめ検出を強化する新しい手法を提案する。我々は、ASKfmからのデータセットを使用して、複数クラスの分類を行い、参加者の役割(例えば、被害者、ハラッサー)を検出する。予備結果は,F1スコアの0.83と0.76を含む有望な性能を示し,それぞれがベースラインを上回った。

関連論文リスト

Detecting LGBTQ+ Instances of Cyberbullying [3.5723815685584013]
サイバーいじめは、世界中の青少年にとって重大な脅威となる。 LGBTQ+のコミュニティは特に危険にさらされており、研究者はLGBTQ+の特定とオンラインハラスメントの増大との間に強い相関関係があることを発見した。 LGBTQ+のメンバーに起きたサイバーいじめ事件を正確に識別できる機械学習モデルを開発することは重要である。
論文参考訳（メタデータ） (2024-09-18T18:49:55Z)
Deep Learning Approaches for Detecting Adversarial Cyberbullying and Hate Speech in Social Networks [0.0]
本稿では、ソーシャルネットワークサイトテキストデータ中の敵対的攻撃コンテンツにおけるサイバーいじめの検出、特にヘイトスピーチを強調することに焦点を当てる。 100の固定エポックを持つLSTMモデルは、高い精度、精度、リコール、F1スコア、AUC-ROCスコアが87.57%、88.73%、88.15%、91%の顕著な性能を示した。
論文参考訳（メタデータ） (2024-05-30T21:44:15Z)
Securing Social Spaces: Harnessing Deep Learning to Eradicate Cyberbullying [1.8749305679160366]
サイバーいじめはソーシャルメディアを使う人の心身の健康を害する深刻な問題だ本稿は、サイバーいじめがいかに深刻か、そしてそれが被曝した個人にどのように影響するかを説明する。オンライン空間の安全性を高めるために、より優れたサイバーいじめ検出方法を見つけることがいかに重要かを強調している。
論文参考訳（メタデータ） (2024-04-01T20:41:28Z)
Explain Thyself Bully: Sentiment Aided Cyberbullying Detection with Explanation [52.3781496277104]
さまざまなソーシャルメディアネットワークやオンラインコミュニケーションアプリの人気により、サイバーいじめが大きな問題になっている。一般データ保護規則の「説明の権利」のような近年の法律は、解釈可能なモデルの開発に拍車をかけた。我々は,コード混在言語からの自動サイバーバブル検出のための,mExCBと呼ばれる最初の解釈可能なマルチタスクモデルを開発した。
論文参考訳（メタデータ） (2024-01-17T07:36:22Z)
A Tale of HodgeRank and Spectral Method: Target Attack Against Rank Aggregation Is the Fixed Point of Adversarial Game [153.74942025516853]
ランクアグリゲーション手法の本質的な脆弱性は文献ではよく研究されていない。本稿では,ペアデータの変更による集計結果の指定を希望する目的のある敵に焦点をあてる。提案した標的攻撃戦略の有効性は,一連の玩具シミュレーションと実世界のデータ実験によって実証された。
論文参考訳（メタデータ） (2022-09-13T05:59:02Z)
Session-based Cyberbullying Detection in Social Media: A Survey [16.39344929765961]
問題のさまざまなステップと課題をカプセル化したセッションベースのサイバーバブル検出フレームワークを定義します。我々は,セッションベースのサイバーいじめデータセットを作成するための一連のベストプラクティスのエビデンスベースの基準を提案する。
論文参考訳（メタデータ） (2022-07-14T18:56:54Z)
DISARM: Detecting the Victims Targeted by Harmful Memes [49.12165815990115]
DISARMは、有害なミームを検出するために名前付きエンティティ認識と個人識別を使用するフレームワークである。 DISARMは10の単一モーダル・マルチモーダルシステムより著しく優れていることを示す。複数の強力なマルチモーダルライバルに対して、有害なターゲット識別の相対誤差率を最大9ポイントまで下げることができる。
論文参考訳（メタデータ） (2022-05-11T19:14:26Z)
Fixed Points in Cyber Space: Rethinking Optimal Evasion Attacks in the Age of AI-NIDS [70.60975663021952]
ネットワーク分類器に対するブラックボックス攻撃について検討する。我々は、アタッカー・ディフェンダーの固定点がそれ自体、複雑な位相遷移を持つ一般サムゲームであると主張する。攻撃防御力学の研究には連続的な学習手法が必要であることを示す。
論文参考訳（メタデータ） (2021-11-23T23:42:16Z)
Adversarial Visual Robustness by Causal Intervention [56.766342028800445]
敵の訓練は、敵の例に対する事実上最も有望な防御である。しかし、その受動性は必然的に未知の攻撃者への免疫を妨げる。我々は、敵対的脆弱性の因果的視点を提供する: 原因は、学習に普遍的に存在する共同創設者である。
論文参考訳（メタデータ） (2021-06-17T14:23:54Z)
Measurement-driven Security Analysis of Imperceptible Impersonation Attacks [54.727945432381716]
本稿では,ディープニューラルネットワークを用いた顔認識システムの実用性について検討する。皮膚の色,性別,年齢などの要因が,特定の標的に対する攻撃を行う能力に影響を及ぼすことを示す。また,攻撃者の顔のさまざまなポーズや視点に対して堅牢なユニバーサルアタックを構築する可能性についても検討した。
論文参考訳（メタデータ） (2020-08-26T19:27:27Z)
Aggressive, Repetitive, Intentional, Visible, and Imbalanced: Refining Representations for Cyberbullying Classification [4.945634077636197]
本研究では,その社会的・言語的側面を表現するために,5つの明確な要因を用いて,サイバーいじめのニュアンスな問題を考察する。これらの結果は、サイバーいじめを社会現象として表現し、モデル化することの重要性を示している。
論文参考訳（メタデータ） (2020-04-04T00:35:16Z)

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。