論文の概要: Classifying Dyads for Militarized Conflict Analysis

• arxiv url: http://arxiv.org/abs/2109.12860v1
• Date: Mon, 27 Sep 2021 08:19:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-29 04:18:02.532265
• Title: Classifying Dyads for Militarized Conflict Analysis
• Title（参考訳）: 軍事紛争分析のためのdyad分類
• Authors: Niklas Stoehr, Lucas Torroba Hennigen, Samin Ahbab, Robert West, Ryan Cotterell
• Abstract要約: 我々は、複数の実体(システム的原因)間の二側関係と多側関係を考慮し、軍事紛争の起源を考察する。 私たちは、それぞれの原因を表すテキストとグラフベースの機能のセットを考案することで、これを実現します。 このグラフのノードは、同盟または敵関係を表すラベル付きエッジで接続されたエンティティを表す。 以上の結果から,我々のシステム的特徴は矛盾の相関関係がわずかに良好である可能性が示唆された。
• 参考スコア（独自算出の注目度）: 34.23146311598434
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding the origins of militarized conflict is a complex, yet important undertaking. Existing research seeks to build this understanding by considering bi-lateral relationships between entity pairs (dyadic causes) and multi-lateral relationships among multiple entities (systemic causes). The aim of this work is to compare these two causes in terms of how they correlate with conflict between two entities. We do this by devising a set of textual and graph-based features which represent each of the causes. The features are extracted from Wikipedia and modeled as a large graph. Nodes in this graph represent entities connected by labeled edges representing ally or enemy-relationships. This allows casting the problem as an edge classification task, which we term dyad classification. We propose and evaluate classifiers to determine if a particular pair of entities are allies or enemies. Our results suggest that our systemic features might be slightly better correlates of conflict. Further, we find that Wikipedia articles of allies are semantically more similar than enemies.
• Abstract（参考訳）: 軍事紛争の起源を理解することは複雑だが重要な事業である。 既存の研究は、エンティティペア(ダイアル因果関係)と複数のエンティティ(システム因果関係)の相互関係を考慮し、この理解を構築することを目指している。 この研究の目的は、これら2つの原因が2つのエンティティ間の衝突とどのように相関するかという点で比較することである。 私たちは、それぞれの原因を表すテキストとグラフベースの機能のセットを考案します。 機能はwikipediaから抽出され、大きなグラフとしてモデル化される。 このグラフのノードは、同盟または敵関係を表すラベル付きエッジで接続されたエンティティを表す。 これにより、問題をエッジ分類タスクとしてキャストすることができる。 特定の一対の実体が同盟者か敵かを決定するための分類器を提案し評価する。 結果から,システム的特徴は衝突の相関性が若干向上する可能性が示唆された。 さらに,wikipediaの記事は,敵よりも意味的に類似していることがわかった。

関連論文リスト

• Multi-Label Classification for Implicit Discourse Relation Recognition [10.280148603465697]
  暗黙的な談話関係認識のための多言語分類フレームワークについて検討する。 本研究では,複数ラベルの分類手法が単一ラベルの予測性能を低下させないことを示す。
  論文  参考訳（メタデータ） (2024-06-06T19:37:25Z)
• Relation-Aware Question Answering for Heterogeneous Knowledge Graphs [37.38138785470231]
  既存の検索に基づくアプローチは、異なるホップにおける特定の関係に集中することで、この課題を解決する。 我々は,現在の関係表現を強化するために,ヘッドテールエンティティや関係間の意味的関係からの情報を利用することができないと主張している。 当社のアプローチは,従来の最先端技術よりも大きなパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2023-12-19T08:01:48Z)
• Dimensions of Online Conflict: Towards Modeling Agonism [2.471304332463658]
  アゴニズムは多様な視点と堅固な議論を育むことで民主的対話において重要な役割を担っている。 これら2つの対立をモデル化するために、議論の的になっているトピックに関するTwitterの会話を収集した。 本稿では,会話におけるコンフリクトの異なる次元をラベル付けするための包括的なアノテーションスキーマを提案する。
  論文  参考訳（メタデータ） (2023-11-06T22:34:17Z)
• Discovering Fine-Grained Semantics in Knowledge Graph Relations [5.619233302594469]
  異なるタイプのエンティティ間の多文の関係は、複数の意味論を表す。 エンティティタイプ分類、質問応答、知識グラフ補完などの多くのユースケースでは、正しい意味解釈が必要である。 本稿では,抽象的関係に関連する異なる意味を発見するための戦略を提案し,細かな意味を持つ多くの部分関係を導出する。
  論文  参考訳（メタデータ） (2022-02-17T22:05:41Z)
• Learning to Compose Visual Relations [100.45138490076866]
  我々は,各関係を非正規化密度(エネルギーベースモデル)として表現することを提案する。 このような分解を分解することで、複数の関係を持つシーンをより忠実に生成・編集できることを示す。
  論文  参考訳（メタデータ） (2021-11-17T18:51:29Z)
• Fuzzy Stochastic Timed Petri Nets for Causal properties representation [68.8204255655161]
  因果関係はしばしば有向グラフで表され、原因を示すノードと因果関係を表すリンクがある。 因果シナリオをグラフィカルに表現するために使われる一般的な方法は、ニューロン、真理表、因果ベイズネットワーク、認知地図、ペトリネットである。 従来のモデルは、前述のプロパティのいくつかを別々に表現できるが、それら全てをはっきりと説明しようとはしないことを示す。
  論文  参考訳（メタデータ） (2020-11-24T13:22:34Z)
• Learning to Decouple Relations: Few-Shot Relation Classification with Entity-Guided Attention and Confusion-Aware Training [49.9995628166064]
  本稿では,2つのメカニズムを備えたモデルであるCTEGを提案する。 一方、注意を誘導するEGA機構を導入し、混乱を引き起こす情報をフィルタリングする。 一方,コンフュージョン・アウェア・トレーニング(CAT)法は,関係の識別を明示的に学習するために提案されている。
  論文  参考訳（メタデータ） (2020-10-21T11:07:53Z)
• ConsNet: Learning Consistency Graph for Zero-Shot Human-Object Interaction Detection [101.56529337489417]
  画像中のHuman, Action, Object>の形のHOIインスタンスを検出・認識することを目的としたHuman-Object Interaction (HOI) Detectionの問題点を考察する。 我々は、オブジェクト、アクション、インタラクション間の多レベルコンパレンシーは、稀な、あるいは以前には見られなかったHOIのセマンティック表現を生成するための強力な手がかりであると主張している。 提案モデルでは,人-対象のペアの視覚的特徴とHOIラベルの単語埋め込みを入力とし,それらを視覚-意味的関節埋め込み空間にマッピングし,類似度を計測して検出結果を得る。
  論文  参考訳（メタデータ） (2020-08-14T09:11:18Z)
• Pairwise Supervision Can Provably Elicit a Decision Boundary [84.58020117487898]
  類似性学習は、パターンのペア間の関係を予測することによって有用な表現を引き出す問題である。 類似性学習は、決定境界を直接引き出すことによって二項分類を解くことができることを示す。
  論文  参考訳（メタデータ） (2020-06-11T05:35:16Z)

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。