論文の概要: Spread Mechanism and Influence Measurement of Online Rumors in China
During the COVID-19 Pandemic
- arxiv url: http://arxiv.org/abs/2012.02446v2
- Date: Mon, 11 Jan 2021 21:00:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-23 09:16:12.806845
- Title: Spread Mechanism and Influence Measurement of Online Rumors in China
During the COVID-19 Pandemic
- Title（参考訳）: 新型コロナウイルスパンデミック時の中国におけるオンライン噂の拡散メカニズムと影響
- Authors: Yiou Lin, Hang Lei and Yu Deng
- Abstract要約: 噂の拡散メカニズムを解析し,新たなインサイダーの速度による噂の影響を定量化する手法を提案する。
指数分布に対応する探索周波数に対してピーク係数と減衰係数を算出する。
本稿では,変換器の双方向表現(BERT)モデルを用いて,ディープラーニング技術を用いて予測損失を低減する方法について論じる。
- 参考スコア（独自算出の注目度）: 8.360870648463653
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In early 2020, the Corona Virus Disease 2019 (COVID-19) pandemic swept the
world.In China, COVID-19 has caused severe consequences. Moreover, online
rumors during the COVID-19 pandemic increased people's panic about public
health and social stability. At present, understanding and curbing the spread
of online rumors is an urgent task. Therefore, we analyzed the rumor spreading
mechanism and propose a method to quantify a rumors' influence by the speed of
new insiders. The search frequency of the rumor is used as an observation
variable of new insiders. The peak coefficient and the attenuation coefficient
are calculated for the search frequency, which conforms to the exponential
distribution. We designed several rumor features and used the above two
coefficients as predictable labels. A 5-fold cross-validation experiment using
the mean square error (MSE) as the loss function showed that the decision tree
was suitable for predicting the peak coefficient, and the linear regression
model was ideal for predicting the attenuation coefficient. Our feature
analysis showed that precursor features were the most important for the
outbreak coefficient, while location information and rumor entity information
were the most important for the attenuation coefficient. Meanwhile, features
that were conducive to the outbreak were usually harmful to the continued
spread of rumors. At the same time, anxiety was a crucial rumor causing factor.
Finally, we discuss how to use deep learning technology to reduce the forecast
loss by using the Bidirectional Encoder Representations from Transformers
(BERT) model.
- Abstract（参考訳）: 2020年初頭、新型コロナウイルス感染症(COVID-19)が世界中を席巻した。
さらに、新型コロナウイルスの感染拡大に伴うネット上の噂は、公衆衛生や社会安定に対する人々のパニックを増した。
現在、オンラインの噂の拡散の理解と抑制は緊急の課題である。
そこで我々は,噂の拡散メカニズムを解析し,新たなインサイダーの速度による噂の影響を定量化する手法を提案する。
噂の探索周波数は、新しいインサイダーの観測変数として使用される。
指数分布に適合する探索周波数に対して、ピーク係数と減衰係数を算出する。
いくつかの噂機能を設計し,上記の2つの係数を予測可能なラベルとして用いた。
損失関数として平均二乗誤差(mse)を用いた5倍クロスバリデーション実験により,ピーク係数の予測には決定木が適しており,減衰係数の予測には線形回帰モデルが理想的であった。
特徴分析の結果,発生係数には前駆的特徴が最も重要であり,位置情報と噂実体情報が減衰係数には重要であった。
一方、流行を誘発する特徴は、噂の流布が続く中、しばしば有害であった。
同時に、不安は重要なうわさを引き起こした。
最後に,変換器を用いた双方向エンコーダ表現(BERT)モデルを用いて,ディープラーニング技術を用いて予測損失を低減する方法について論じる。
関連論文リスト
- Epidemiology-informed Network for Robust Rumor Detection [59.89351792706995]
本稿では, 疫学知識を統合し, 性能を高めるための新しい疫学情報ネットワーク(EIN)を提案する。
疫学理論をうわさ検出に適応させるため,各利用者が情報源情報に対する姿勢を付加することが期待されている。
実験結果から,提案したEINは実世界のデータセット上で最先端の手法より優れるだけでなく,樹木の深度にまたがる堅牢性も向上することが示された。
論文 参考訳（メタデータ） (2024-11-20T00:43:32Z) - Early detection of disease outbreaks and non-outbreaks using incidence data [9.155744274374506]
我々は、アウトブレイクやアウトブレイクを正確に予測する、現実世界のトレーニングデータを持たない一般的なモデルを開発する。
アウトブレイクとアウトブレイクを区別する統計的特徴は,アウトブレイクが起こるずっと前から存在する。
人工的なデータセットと実世界のデータセットの違いは、発生のずっと前に検出できる。
論文 参考訳（メタデータ） (2024-04-13T03:57:14Z) - Small Area Estimation of Case Growths for Timely COVID-19 Outbreak
Detection [4.478818286947472]
新型コロナウイルス(COVID-19)のパンデミックは世界経済に大きな影響を与え、人間の生活に大きな被害を与え続けている。
新型コロナウイルス(COVID-19)の感染拡大率は、流行の回復の効果的な検出と封じ込めを見積り、監視するための重要な疫学的パラメータである。
成長速度の推定とそれによるアウトブレイク検出における根本的な課題は、精度と速度のトレードオフのバランスにある。
我々は、この精度と速度のトレードオフをバランスさせる、Transfer Learning Generalized Random Forest (TLGRF)と呼ばれる機械学習アルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-12-07T07:53:00Z) - Reconstructing Graph Diffusion History from a Single Snapshot [87.20550495678907]
A single SnapsHot (DASH) から拡散履歴を再構築するための新しいバリセンターの定式化を提案する。
本研究では,拡散パラメータ推定のNP硬度により,拡散パラメータの推定誤差が避けられないことを証明する。
また、DITTO(Diffusion hitting Times with Optimal proposal)という効果的な解法も開発している。
論文 参考訳（メタデータ） (2023-06-01T09:39:32Z) - Confidence and Dispersity Speak: Characterising Prediction Matrix for
Unsupervised Accuracy Estimation [51.809741427975105]
この研究は、ラベルを使わずに、分散シフト下でのモデルの性能を評価することを目的としている。
我々は、両方の特性を特徴付けるのに有効であることが示されている核規範を用いる。
核の基準は既存の手法よりも正確で堅牢であることを示す。
論文 参考訳（メタデータ） (2023-02-02T13:30:48Z) - #StayHome or #Marathon? Social Media Enhanced Pandemic Surveillance on
Spatial-temporal Dynamic Graphs [23.67939019353524]
新型コロナウイルスは、公衆衛生、社会、経済のほぼすべての領域に永続的な被害をもたらしている。
既存の研究は、伝統的な統計モデルと流行拡散理論の集約に依存している。
我々は,抽出した出来事と関係に基づいて,ソーシャルメディアがパンデミックの知識を広める新しい枠組みを提案する。
論文 参考訳（メタデータ） (2021-08-08T15:46:05Z) - Predicting COVID-19 Spread from Large-Scale Mobility Data [22.55034017418318]
将来のケースナンバーのほぼリアルタイム予測には、人間の移動性がある。
本稿では,モビリティマークホークスモデルと呼ばれる,モビリティデータに基づく流行予測の新しいモデルを提案する。
私たちの研究は、通信データから新型コロナウイルスの感染拡大を予測する最初のものです。
論文 参考訳（メタデータ） (2021-06-01T10:05:02Z) - Early Detection of COVID-19 Hotspots Using Spatio-Temporal Data [66.70036251870988]
疾病予防管理センター(CDC)は他の連邦機関と協力して、新型コロナウイルス(COVID-19)の感染が増加する郡(ホットスポット)を特定する。
本稿では,米国における新型コロナウイルスホットスポットの早期発見のためのスパースモデルを提案する。
深層ニューラルネットワークは、カーネルの解釈可能性を維持しながらモデルの代表的なパワーを高めるために導入されている。
論文 参考訳（メタデータ） (2021-05-31T19:28:17Z) - COUnty aggRegation mixup AuGmEntation (COURAGE) COVID-19 Prediction [29.919578191688274]
本稿では,米国各郡における2週間の新型コロナウイルス関連死亡の短期予測を行うCOURAGEという手法を提案する。
本モデルでは, 新型コロナウイルス関連症例, 死亡状況, 地域移動傾向, 人口統計情報の公開情報を完全に活用し, 対応する郡レベルの予測の集約として, 州レベルの予測を作成できる。
論文 参考訳（メタデータ） (2021-05-03T04:00:59Z) - STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。
stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。
我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文 参考訳（メタデータ） (2020-12-08T21:21:47Z) - Cross-lingual Transfer Learning for COVID-19 Outbreak Alignment [90.12602012910465]
われわれは、Twitterを通じてイタリアの新型コロナウイルス感染症(COVID-19)の早期流行を訓練し、他のいくつかの国に移る。
実験の結果,クロスカントリー予測において最大0.85のスピアマン相関が得られた。
論文 参考訳（メタデータ） (2020-06-05T02:04:25Z)
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。