論文の概要: From #Jobsearch to #Mask: Improving COVID-19 Cascade Prediction with
Spillover Effects
- arxiv url: http://arxiv.org/abs/2012.07088v4
- Date: Thu, 12 Aug 2021 08:55:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-20 23:22:18.886577
- Title: From #Jobsearch to #Mask: Improving COVID-19 Cascade Prediction with
Spillover Effects
- Title(参考訳): #Jobsearchから#Maskへ - スパイルオーバー効果によるCOVID-19カスケード予測の改善
- Authors: Ninghan Chen, Xihui Chen, Zhiqiang Zhong, Jun Pang
- Abstract要約: ソーシャルメディア上では、新型コロナウイルス(COVID-19)のパンデミックとともに情報アウトブレイクが発生し、インフォデミックにつながる。
カスケード予測として知られるオンラインコンテンツの人気を予測することで、注目に値するホットな情報を事前に把握することができる。
本稿では、新型コロナウイルスの予防対策に関する情報の拡散に焦点を当て、収集したTwitterデータセットを通して、この流出効果の存在を検証した。
本データセットを用いて行った実験では,検出された流出効果を使用することで,予防的測定メッセージだけでなく,他の新型コロナウイルスの流行を予測する上で,最先端のGNN法が大幅に改善されることが示された。
- 参考スコア(独自算出の注目度): 4.178929174617172
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: An information outbreak occurs on social media along with the COVID-19
pandemic and leads to infodemic. Predicting the popularity of online content,
known as cascade prediction, allows for not only catching in advance hot
information that deserves attention, but also identifying false information
that will widely spread and require quick response to mitigate its impact.
Among the various information diffusion patterns leveraged in previous works,
the spillover effect of the information exposed to users on their decision to
participate in diffusing certain information is still not studied. In this
paper, we focus on the diffusion of information related to COVID-19 preventive
measures. Through our collected Twitter dataset, we validated the existence of
this spillover effect. Building on the finding, we proposed extensions to three
cascade prediction methods based on Graph Neural Networks (GNNs). Experiments
conducted on our dataset demonstrated that the use of the identified spillover
effect significantly improves the state-of-the-art GNNs methods in predicting
the popularity of not only preventive measure messages, but also other COVID-19
related messages.
- Abstract(参考訳): ソーシャルメディア上では、新型コロナウイルス(COVID-19)のパンデミックとともに情報アウトブレイクが発生し、インフォデミックにつながる。
カスケード予測(cascade prediction)として知られるオンラインコンテンツの人気を予測すれば、注意に値する事前のホット情報だけでなく、広範に拡散し、影響を緩和するための迅速な応答を必要とする偽情報の特定が可能になる。
先行研究で活用された各種情報拡散パターンのうち,特定の情報の拡散に参画する決定に対するユーザへの情報流出の影響はいまだに研究されていない。
本稿では、新型コロナウイルスの予防対策に関する情報の拡散に焦点をあてる。
収集したTwitterデータセットを通じて、この流出効果の存在を検証しました。
この発見に基づいて,グラフニューラルネットワーク(GNN)に基づく3つのカスケード予測手法の拡張を提案する。
筆者らのデータセットで行った実験では、検出された流出効果を使用することで、予防的測定メッセージだけでなく、他のCOVID-19関連メッセージの人気を予測できる最先端のGNN手法が大幅に改善されることが示された。
関連論文リスト
- Understanding the Humans Behind Online Misinformation: An Observational
Study Through the Lens of the COVID-19 Pandemic [12.873747057824833]
われわれは、新型コロナウイルスのツイート3200万件と過去のツイート1600万件を分析した大規模な調査を行っている。
新型コロナウイルスの感染拡大に伴う誤情報を広めるユーザの行動と心理の理解と、非新型コロナウイルス領域における誤情報を共有しようとする歴史的傾向との関係に焦点をあてる。
論文 参考訳(メタデータ) (2023-10-12T16:42:53Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳(メタデータ) (2023-10-04T01:36:30Z) - Exploring Model Dynamics for Accumulative Poisoning Discovery [62.08553134316483]
そこで我々は,モデルレベルの情報を通して,防衛を探索するための新しい情報尺度,すなわち,記憶の離散性(Memorization Discrepancy)を提案する。
暗黙的にデータ操作の変更をモデル出力に転送することで、メモリ識別は許容できない毒のサンプルを発見することができる。
我々は、その性質を徹底的に探求し、累積中毒に対する防御のために、離散型サンプル補正(DSC)を提案する。
論文 参考訳(メタデータ) (2023-06-06T14:45:24Z) - The Role of Bias in News Recommendation in the Perception of the
Covid-19 Pandemic [1.0618008515822484]
ニュースレコメンデーターシステム(NR)は、公共の言論を形作り、民主主義に有害な影響を及ぼす行動を強制することが示されている。
BERT4Recアルゴリズムを用いて,ニュースの報道とユーザ行動の相互作用を解析し,シーケンス予測を行った。
論文 参考訳(メタデータ) (2022-09-15T21:10:11Z) - 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) - Towards the Explanation of Graph Neural Networks in Digital Pathology
with Information Flows [67.23405590815602]
グラフニューラルネットワーク(GNN)は、デジタル病理学において広く採用されている。
既存の説明者は、予測に関連する説明的部分グラフを発見する。
説明文は、予測に必要であるだけでなく、最も予測可能な領域を明らかにするのに十分である。
本稿では, IFEXPLAINERを提案する。
論文 参考訳(メタデータ) (2021-12-18T10:19:01Z) - Testing the Generalization of Neural Language Models for COVID-19
Misinformation Detection [6.1204874238049705]
新型コロナウイルス(COVID-19)のパンデミックの副産物として、生命を脅かす可能性のある誤報が大幅に増加した。
5つの誤報データセットを用いてトランスフォーマーに基づく15のモデルを評価する。
新型コロナウイルス(COVID-19)データに合わせたトークンやモデルは、汎用データに対して大きな優位性を提供していない。
論文 参考訳(メタデータ) (2021-11-15T15:01:55Z) - Characterizing User Susceptibility to COVID-19 Misinformation on Twitter [40.0762273487125]
本研究は、パンデミックのオンライン誤報に弱い人口を構成する人々への回答を試みる。
我々は、ソーシャルボットから、新型コロナウイルス関連の誤情報に関するさまざまなレベルのエンゲージメントを持つ人間まで、さまざまなタイプのユーザーを区別する。
次に、新型コロナウイルスの誤情報に対する感受性と相関する、ユーザのオンライン機能と状況予測を識別する。
論文 参考訳(メタデータ) (2021-09-20T13:31:15Z) - Adversarial Refinement Network for Human Motion Prediction [61.50462663314644]
リカレントニューラルネットワークとフィードフォワードディープネットワークという2つの一般的な手法は、粗い動きの傾向を予測することができる。
本稿では,新たな逆誤差増大を伴う簡易かつ効果的な粗大きめ機構に従えば,ARNet(Adversarial Refinement Network)を提案する。
論文 参考訳(メタデータ) (2020-11-23T05:42:20Z) - Independent Component Analysis for Trustworthy Cyberspace during High
Impact Events: An Application to Covid-19 [4.629100947762816]
新型コロナウイルス(COVID-19)の感染拡大など、ソーシャルメディアは重要なコミュニケーションチャンネルとなっている。
ソーシャルメディアにおける誤報が急速に拡散し、社会不安を生じさせるため、そのような出来事における誤報の拡散は重要なデータ課題である。
本稿では,ICAモデルに基づくデータ駆動型ソリューションを提案する。
論文 参考訳(メタデータ) (2020-06-01T21:48:22Z) - Deep Collaborative Embedding for information cascade prediction [58.90540495232209]
本稿では,情報カスケード予測のためのDeep Collaborative Embedding (DCE) と呼ばれる新しいモデルを提案する。
本稿では, 自動エンコーダを用いた協調埋め込みフレームワークを提案し, カスケード協調とノード協調によるノード埋め込みを学習する。
実世界のデータセットで行った大規模な実験の結果、我々のアプローチの有効性が検証された。
論文 参考訳(メタデータ) (2020-01-18T13:32:18Z)
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。