Fugu-MT 論文翻訳(概要): Tracing Topic Transitions with Temporal Graph Clusters

論文の概要: Tracing Topic Transitions with Temporal Graph Clusters

arxiv url: http://arxiv.org/abs/2104.07836v1
Date: Fri, 16 Apr 2021 00:55:31 GMT
ステータス: 処理完了
システム内更新日: 2021-04-19 14:27:23.591819
Title: Tracing Topic Transitions with Temporal Graph Clusters
Title（参考訳）: 時間グラフクラスタによるトレーシングトピック遷移
Authors: Xiaonan Jing, Qingyuan Hu, Yi Zhang, Julia Taylor Rayz
Abstract要約: Twitterは多くの自然言語処理(NLP)タスクのデータソースとして機能する。データストリームを継続的に更新するため、Twitter上のトピックを特定することは難しい。実世界のtwitterデータから2週間以内にサブトピックの進化を識別するための教師なしグラフベースのフレームワークを提案する。
参考スコア（独自算出の注目度）: 4.901193306593378
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Twitter serves as a data source for many Natural Language Processing (NLP) tasks. It can be challenging to identify topics on Twitter due to continuous updating data stream. In this paper, we present an unsupervised graph based framework to identify the evolution of sub-topics within two weeks of real-world Twitter data. We first employ a Markov Clustering Algorithm (MCL) with a node removal method to identify optimal graph clusters from temporal Graph-of-Words (GoW). Subsequently, we model the clustering transitions between the temporal graphs to identify the topic evolution. Finally, the transition flows generated from both computational approach and human annotations are compared to ensure the validity of our framework.
Abstract（参考訳）: Twitterは多くの自然言語処理(NLP)タスクのデータソースとして機能する。データストリームを継続的に更新するため、Twitter上のトピックを特定することは難しい。本稿では,実世界のtwitterデータから2週間以内にサブトピックの進化を見極めるための教師なしグラフベースのフレームワークを提案する。まず,時相グラフ・オブ・ワード(gow)から最適なグラフクラスタを識別するために,ノード除去法を用いたマルコフクラスタリングアルゴリズム(mcl)を用いた。その後、時間グラフ間のクラスタリング遷移をモデル化し、トピックの進化を識別する。最後に、計算手法と人間のアノテーションの両方から生成された遷移フローを比較し、フレームワークの有効性を確かめる。

関連論文リスト

Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。また,グラフ表現学習のための自己指導型事前学習手法を提案する。
論文参考訳（メタデータ） (2024-01-15T14:36:38Z)
Graph Context Transformation Learning for Progressive Correspondence Pruning [26.400567961735234]
本稿では,プログレッシブ対応プルーニングのためのコンセンサスガイダンスを行うために,文脈情報を強化するグラフコンテキスト変換ネットワーク(GCT-Net)を提案する。具体的には、まずグラフネットワークを生成し、次にマルチブランチグラフコンテキストに変換するグラフコンテキストエンハンス変換器を設計する。そこで本稿では,グラフ・コンテキスト・ガイダンス・トランスフォーマ(Graph Context Guidance Transformer)を提案する。
論文参考訳（メタデータ） (2023-12-26T09:43:30Z)
Deep Temporal Graph Clustering [77.02070768950145]
深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。 GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
論文参考訳（メタデータ） (2023-05-18T06:17:50Z)
Clustering of Time-Varying Graphs Based on Temporal Label Smoothness [28.025212175496964]
本稿では,クラスタラベルが時間とともにスムーズに変化するという仮定に基づいて,時間変化グラフのノードクラスタリング手法を提案する。提案手法の有効性を検証するために,合成および実世界の時間変化グラフの実験を行った。
論文参考訳（メタデータ） (2023-05-11T05:20:41Z)
A fast topological approach for predicting anomalies in time-varying graphs [0.0]
トポロジカルデータ解析(TDA)からの永続化ダイアグラム(PD)は、点間距離が明確に定義されたデータ形状記述法として人気がある。本稿では,グラフデータから形状情報を抽出する計算効率の良いフレームワークを提案する。実際のデータアプリケーションでは、暗号取引ネットワークの異常な価格予測において、我々のアプローチは最大で22%上昇する。
論文参考訳（メタデータ） (2023-05-11T01:54:45Z)
Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文参考訳（メタデータ） (2022-03-03T09:53:53Z)
Modeling Fuzzy Cluster Transitions for Topic Tracing [4.901193306593378]
Twitterは自然言語処理(NLP)タスクのデータソースとして見ることができる。トピッククラスタのファジィ遷移をモデル化するフレームワークを提案する。
論文参考訳（メタデータ） (2021-04-16T17:41:16Z)
Learnable Graph Matching: Incorporating Graph Partitioning with Deep Feature Learning for Multiple Object Tracking [58.30147362745852]
フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。そこで本研究では,学習可能なグラフマッチング手法を提案する。
論文参考訳（メタデータ） (2021-03-30T08:58:45Z)
Line Graph Neural Networks for Link Prediction [71.00689542259052]
実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
論文参考訳（メタデータ） (2020-10-20T05:54:31Z)
Multivariate Time Series Classification with Hierarchical Variational Graph Pooling [23.66868187446734]
既存のディープラーニングに基づくMTSC技術は、主に単一時系列の時間依存性に関係している。 MTSの表現的グローバル表現を得るために,グラフプーリングに基づく新しいフレームワークMTPoolを提案する。 10のベンチマークデータセットの実験では、MTSCタスクでMTPoolが最先端の戦略を上回っている。
論文参考訳（メタデータ） (2020-10-12T12:36:47Z)
Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
論文参考訳（メタデータ） (2020-05-15T09:17:08Z)

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。