論文の概要: Traffic Event Detection as a Slot Filling Problem

• arxiv url: http://arxiv.org/abs/2109.06035v1
• Date: Mon, 13 Sep 2021 15:02:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-14 15:43:48.714756
• Title: Traffic Event Detection as a Slot Filling Problem
• Title（参考訳）: スロット充填問題としての交通イベント検出
• Authors: Xiangyu Yang, Giannis Bekoulis, Nikos Deligiannis
• Abstract要約: ベルギーとブリュッセルの2つの(構築された)交通関連データセットを公開することにより、Twitterストリームからきめ細かいトラフィック情報を抽出する新たな問題を紹介した。 本稿では,2つのサブタスクを別々に,あるいは共同で処理するいくつかの手法を提案するとともに,交通事象検出問題に対する提案手法の有効性を評価する。
• 参考スコア（独自算出の注目度）: 18.61490760235035
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we introduce the new problem of extracting fine-grained traffic information from Twitter streams by also making publicly available the two (constructed) traffic-related datasets from Belgium and the Brussels capital region. In particular, we experiment with several models to identify (i) whether a tweet is traffic-related or not, and (ii) in the case that the tweet is traffic-related to identify more fine-grained information regarding the event (e.g., the type of the event, where the event happened). To do so, we frame (i) the problem of identifying whether a tweet is a traffic-related event or not as a text classification subtask, and (ii) the problem of identifying more fine-grained traffic-related information as a slot filling subtask, where fine-grained information (e.g., where an event has happened) is represented as a slot/entity of a particular type. We propose the use of several methods that process the two subtasks either separately or in a joint setting, and we evaluate the effectiveness of the proposed methods for solving the traffic event detection problem. Experimental results indicate that the proposed architectures achieve high performance scores (i.e., more than 95% in terms of F$_{1}$ score) on the constructed datasets for both of the subtasks (i.e., text classification and slot filling) even in a transfer learning scenario. In addition, by incorporating tweet-level information in each of the tokens comprising the tweet (for the BERT-based model) can lead to a performance improvement for the joint setting.
• Abstract（参考訳）: 本稿では、ベルギーとブリュッセルの首都圏の2つの(構築された)トラフィック関連データセットを一般に公開することにより、twitterストリームからきめ細かいトラフィック情報を抽出する新しい問題を紹介する。 特に、いくつかのモデルを実験して、 (i)あるツイートが交通にかかわるか否か、 (ii)ツイートがトラフィック関連である場合には、イベントに関するより詳細な情報(例えば、イベントのタイプ、イベントが発生した場所)を特定する。 そのために私たちは (i)ツイートがトラフィック関連イベントであるか否かをテキスト分類サブタスクとして識別する問題、及び (ii)よりきめ細かい交通関連情報をスロット充填サブタスクとして識別する問題は、ある特定のタイプのスロット/エンティティとして、きめ細かい情報(例えば、イベントが発生した場所)が表現される。 本稿では,2つのサブタスクを別々に,あるいは共同で処理するいくつかの手法を提案するとともに,交通事象検出問題に対する提案手法の有効性を評価する。 実験結果から,提案するアーキテクチャは,トランスファー学習シナリオにおいても,構築した2つのサブタスク(テキスト分類とスロット充填)のデータセットにおいて,高いパフォーマンススコア(すなわち,f$_{1}$スコアで95%以上)を達成することが示された。 さらに、つぶやきレベルの情報を(BERTベースのモデルのために)ツイートを構成するトークンに組み込むことで、共同設定のパフォーマンスが向上する。

関連論文リスト

• BjTT: A Large-scale Multimodal Dataset for Traffic Prediction [49.93028461584377]
  従来の交通予測手法は、交通トレンドを予測するために、過去の交通データに依存している。 本研究では,交通システムを記述するテキストと生成モデルを組み合わせることで,交通生成にどのように応用できるかを考察する。 本稿では,テキスト・トラフィック生成のための最初の拡散モデルChatTrafficを提案する。
  論文  参考訳（メタデータ） (2024-03-08T04:19:56Z)
• Type-aware Decoding via Explicitly Aggregating Event Information for Document-level Event Extraction [11.432496741340334]
  ドキュメントレベルのイベント抽出は2つの大きな課題に直面している。 本稿では,これらの制約に対処する新規な Explicitly Aggregating(SEA) モデルを提案する。 SEAはイベント情報をイベントタイプとロール表現に集約し、特定の型認識表現に基づいてイベントレコードのデコードを可能にする。
  論文  参考訳（メタデータ） (2023-10-16T15:10:42Z)
• Abnormal Event Detection via Hypergraph Contrastive Learning [54.80429341415227]
  異常事象検出は多くの実アプリケーションにおいて重要な役割を果たす。 本稿では,分散異種情報ネットワークにおける異常事象検出問題について検討する。 AEHCLと呼ばれる新しいハイパーグラフコントラスト学習法が,異常事象のパターンをフルに捉えるために提案されている。
  論文  参考訳（メタデータ） (2023-04-02T08:23:20Z)
• Event Causality Extraction with Event Argument Correlations [13.403222002600558]
  Event Causality extractは、プレーンテキストから因果関係のイベント因果関係のペアを抽出することを目的としている。 本稿では,ECE の時間内および時間内引数相関を捉えるための二重グリッドタギング方式を提案する。
  論文  参考訳（メタデータ） (2023-01-27T09:48:31Z)
• Unifying Event Detection and Captioning as Sequence Generation via Pre-Training [53.613265415703815]
  本稿では,イベント検出とキャプションのタスク間関連性を高めるための,事前学習と微調整の統合フレームワークを提案する。 我々のモデルは最先端の手法よりも優れており、大規模ビデオテキストデータによる事前学習ではさらに向上できる。
  論文  参考訳（メタデータ） (2022-07-18T14:18:13Z)
• Event Data Association via Robust Model Fitting for Event-based Object Tracking [66.05728523166755]
  本稿では,イベントアソシエーションと融合問題に明示的に対処する新しいイベントデータアソシエーション(EDA)手法を提案する。 提案するEDAは、統合データアソシエーションと情報融合を行うために、イベントデータに最も適したイベントトラジェクトリを求める。 実験結果から,高速,運動のぼやけ,高ダイナミックレンジ条件といった難易度シナリオ下でのEDAの有効性が示された。
  論文  参考訳（メタデータ） (2021-10-25T13:56:00Z)
• Learning Constraints and Descriptive Segmentation for Subevent Detection [74.48201657623218]
  本稿では,サブイベント検出とEventSeg予測の依存関係をキャプチャする制約を学習し,強制するアプローチを提案する。 我々は制約学習にRectifier Networksを採用し、学習した制約をニューラルネットワークの損失関数の正規化項に変換する。
  論文  参考訳（メタデータ） (2021-09-13T20:50:37Z)
• Document-level Event Extraction via Heterogeneous Graph-based Interaction Model with a Tracker [23.990907956996413]
  文書レベルのイベント抽出は、記事全体からイベント情報を認識することを目的としている。 この2つの課題のために既存の手法は有効ではない。 トラッカーを用いた異種グラフベースインタラクションモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-31T12:45:03Z)
• MLBiNet: A Cross-Sentence Collective Event Detection Network [9.929840613301987]
  イベントとセマンティック情報の文書レベルの関連を同時に捉えるために,MLBiNet(Multi-Layer Bidirectional Network)を提案する。 提案手法は,現状の成果と比較して,性能が大幅に向上していることを示す。
  論文  参考訳（メタデータ） (2021-05-20T02:29:03Z)
• Detecting Ongoing Events Using Contextual Word and Sentence Embeddings [110.83289076967895]
  本稿では,OED(Ongoing Event Detection)タスクを紹介する。 目的は、歴史、未来、仮説、あるいは新しいものでも現在のものでもない他の形式や出来事に対してのみ、進行中のイベントの言及を検出することである。 構造化されていないテキストから進行中のイベントに関する構造化情報を抽出する必要があるアプリケーションは、OEDシステムを利用することができる。
  論文  参考訳（メタデータ） (2020-07-02T20:44:05Z)

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。