論文の概要: Tracking e-cigarette warning label compliance on Instagram with deep learning

• arxiv url: http://arxiv.org/abs/2102.04568v1
• Date: Mon, 8 Feb 2021 22:56:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-11 00:44:41.330431
• Title: Tracking e-cigarette warning label compliance on Instagram with deep learning
• Title（参考訳）: ディープラーニングでInstagramの電子タバコ警告ラベルのコンプライアンスを追跡
• Authors: Chris J. Kennedy, Julia Vassey, Ho-Chun Herbert Chang, Jennifer B. Unger, Emilio Ferrara
• Abstract要約: アメリカ食品医薬品局(FDA)は、電子タバコの広告には顕著な警告ラベルが含まれていることを要求している。 ソーシャルメディア上での電子たばこ関連の投稿の量が多いため、コンプライアンス監査は高価で時間を要する。 われわれは,Instagram投稿が電子タバコの普及を促進するかどうかを自動的に判断する深層学習システムの開発と評価を試みた。
• 参考スコア（独自算出の注目度）: 2.3030125413500833
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The U.S. Food & Drug Administration (FDA) requires that e-cigarette advertisements include a prominent warning label that reminds consumers that nicotine is addictive. However, the high volume of vaping-related posts on social media makes compliance auditing expensive and time-consuming, suggesting that an automated, scalable method is needed. We sought to develop and evaluate a deep learning system designed to automatically determine if an Instagram post promotes vaping, and if so, if an FDA-compliant warning label was included or if a non-compliant warning label was visible in the image. We compiled and labeled a dataset of 4,363 Instagram images, of which 44% were vaping-related, 3% contained FDA-compliant warning labels, and 4% contained non-compliant labels. Using a 20% test set for evaluation, we tested multiple neural network variations: image processing backbone model (Inceptionv3, ResNet50, EfficientNet), data augmentation, progressive layer unfreezing, output bias initialization designed for class imbalance, and multitask learning. Our final model achieved an area under the curve (AUC) and [accuracy] of 0.97 [92%] on vaping classification, 0.99 [99%] on FDA-compliant warning labels, and 0.94 [97%] on non-compliant warning labels. We conclude that deep learning models can effectively identify vaping posts on Instagram and track compliance with FDA warning label requirements.
• Abstract（参考訳）: 米国食品医薬品局(FDA)は、電子タバコ広告には、ニコチンが中毒性であることを消費者に思い出させる顕著な警告ラベルが含まれていることを要求する。 しかし,ソーシャルメディア上での電子たばこ関連投稿の量が多いため,コンプライアンス監査は高価で時間を要するため,自動化されたスケーラブルな方法が必要であることが示唆された。 われわれは、Instagram投稿が電子タバコを推奨するかどうか、FDA準拠の警告ラベルが含まれているか、画像に非準拠の警告ラベルが見えるかを自動的に判定する、ディープラーニングシステムの開発と評価を試みた。 44%が電子タバコ関連、3%がfda対応の警告ラベル、4%が非準拠のラベルを含む4,363枚のinstagram画像のデータセットをコンパイルしてラベル付けした。 評価のために20%のテストセットを使用して、画像処理バックボーンモデル(inceptionv3, resnet50, efficientnet)、データ拡張、プログレッシブ層凍結、クラス不均衡のために設計された出力バイアス初期化、マルチタスク学習など、複数のニューラルネットワークのバリエーションをテストした。 私たちの最終モデルは、ベイピング分類で0.97 [92%]、FDA準拠の警告ラベルで0.99 [99%]、非準拠の警告ラベルで0.94 [97%]の曲線(AUC)と[精度]の領域を達成しました。 私たちは、ディープラーニングモデルがInstagram上のvaping投稿を効果的に識別し、FDAの警告ラベル要件の遵守を追跡することができると結論付けました。

関連論文リスト

• Can GPT-4 Help Detect Quit Vaping Intentions? An Exploration of Automatic Data Annotation Approach [1.134802802099004]
  近年、アメリカ合衆国は電子タバコや電子タバコの普及が著しく進んでいるのを目撃している。 本研究では、Reddit上の1つの電子タバコサブコミュニティからサンプルデータセットを抽出し、ユーザの電子タバコの停止意図を分析した。 我々は, GPT-4にタスクを説明するために, 詳細レベルが異なる8つのプロンプトを開発した。
  論文  参考訳（メタデータ） (2024-06-28T18:06:48Z)
• A noisy elephant in the room: Is your out-of-distribution detector robust to label noise? [49.88894124047644]
  我々は、最先端のOOD検出方法20について詳しく検討する。 不正に分類されたIDサンプルとOODサンプルの分離が不十分であることを示す。
  論文  参考訳（メタデータ） (2024-04-02T09:40:22Z)
• Label Poisoning is All You Need [38.23099403381095]
  バックドア攻撃において、敵は、画像上の予測を制御するために、破損したデータをモデルのトレーニングデータセットに注入する。 我々は、FLIPと呼ばれるラベルのみのバックドア攻撃を設計するための新しいアプローチを導入する。 FLIPの攻撃成功率は99.4%であり、クリーンテストの精度は1.8%しか低下していない。
  論文  参考訳（メタデータ） (2023-10-29T08:03:45Z)
• Box-Level Active Detection [47.41635810670186]
  ボックスベース1サイクル当たりの予算を制御する,ボックスレベルのアクティブ検出フレームワークを導入する。 我々は,人間のアノテーションとモデルインテリジェンスの両方を活用するために,補完的擬似アクティブストラテジー(ComPAS)を提案する。 ComPASは、統一された設定で4つの設定で10の競争相手を上回っている。
  論文  参考訳（メタデータ） (2023-03-23T08:06:10Z)
• Augment and Criticize: Exploring Informative Samples for Semi-Supervised Monocular 3D Object Detection [64.65563422852568]
  我々は、一般的な半教師付きフレームワークを用いて、難解な単分子3次元物体検出問題を改善する。 我々は、ラベルのないデータから豊富な情報的サンプルを探索する、新しい、シンプルで効果的なAugment and Criticize'フレームワークを紹介します。 3DSeMo_DLEと3DSeMo_FLEXと呼ばれる2つの新しい検出器は、KITTIのAP_3D/BEV(Easy)を3.5%以上改善した。
  論文  参考訳（メタデータ） (2023-03-20T16:28:15Z)
• Dist-PU: Positive-Unlabeled Learning from a Label Distribution Perspective [89.5370481649529]
  本稿では,PU学習のためのラベル分布視点を提案する。 そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。 提案手法の有効性を3つのベンチマークデータセットで検証した。
  論文  参考訳（メタデータ） (2022-12-06T07:38:29Z)
• Seamless Iterative Semi-Supervised Correction of Imperfect Labels in Microscopy Images [57.42492501915773]
  生体内試験は、医療機器の毒性に対する動物実験の代替手段である。 人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。 我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。 本手法は,物体検出に適応的な早期学習補正技術を提供する。
  論文  参考訳（メタデータ） (2022-08-05T18:52:20Z)
• "Learn the Facts About COVID-19": Analyzing the Use of Warning Labels on TikTok Videos [12.196005698116858]
  我々は、TikTok上の警告ラベルの使用を分析し、COVID-19ビデオに焦点を当てる。 我々の分析によると、TikTokはTikTokビデオに警告ラベルを広く適用している。 より心配なのは、実際のコンテンツが新型コロナウイルスとは無関係なビデオに、新型コロナウイルスの警告ラベルが加わったことだ。
  論文  参考訳（メタデータ） (2022-01-19T17:05:23Z)
• Learning to Aggregate and Refine Noisy Labels for Visual Sentiment Analysis [69.48582264712854]
  本研究では,頑健な視覚的感情分析を行うための頑健な学習手法を提案する。 本手法は,トレーニング中にノイズラベルを集約・フィルタリングするために外部メモリに依存している。 公開データセットを用いたラベルノイズを用いた視覚的感情分析のベンチマークを構築した。
  論文  参考訳（メタデータ） (2021-09-15T18:18:28Z)
• Poisoning and Backdooring Contrastive Learning [26.093821359987224]
  CLIPのような対照的な学習方法は、ノイズの多いデータセットと未処理のデータセットでトレーニングする。 この慣行がバックドアや毒殺を重大な脅威にしていることを示す。
  論文  参考訳（メタデータ） (2021-06-17T17:20:45Z)

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。