論文の概要: UCD-CS at TREC 2021 Incident Streams Track
- arxiv url: http://arxiv.org/abs/2112.03737v1
- Date: Tue, 7 Dec 2021 14:47:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-08 18:50:02.713954
- Title: UCD-CS at TREC 2021 Incident Streams Track
- Title(参考訳): UCD-CS TREC 2021 インシデントストリームトラック
- Authors: Congcong Wang and David Lillis
- Abstract要約: TRECインシデントストリーム(IS)トラックは、この目的で編成された研究課題である。
このトラックは参加するシステムに対して、危機に関連するツイートのストリームを人道支援関連の情報タイプに分類するよう求めている。
TREC-IS 2021におけるUCD-CS(University College Dublin School of Computer Science)の参加について報告する。
- 参考スコア(独自算出の注目度): 3.4392739159262145
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, the task of mining important information from social media
posts during crises has become a focus of research for the purposes of
assisting emergency response (ES). The TREC Incident Streams (IS) track is a
research challenge organised for this purpose. The track asks participating
systems to both classify a stream of crisis-related tweets into humanitarian
aid related information types and estimate their importance regarding
criticality. The former refers to a multi-label information type classification
task and the latter refers to a priority estimation task. In this paper, we
report on the participation of the University College Dublin School of Computer
Science (UCD-CS) in TREC-IS 2021. We explored a variety of approaches,
including simple machine learning algorithms, multi-task learning techniques,
text augmentation, and ensemble approaches. The official evaluation results
indicate that our runs achieve the highest scores in many metrics. To aid
reproducibility, our code is publicly available at
https://github.com/wangcongcong123/crisis-mtl.
- Abstract(参考訳): 近年,危機時のソーシャルメディア投稿から重要な情報をマイニングする作業が,緊急対応支援(es)を目的とした研究の焦点となっている。
TRECインシデントストリーム(IS)トラックは、この目的で編成された研究課題である。
このトラックは、危機関連ツイートのストリームを人道支援関連情報タイプに分類し、臨界に関する重要性を見積もる。
前者はマルチラベル情報型分類タスク、後者は優先度推定タスクを参照。
本稿では,大学ダブリンコンピュータ科学大学院(UCD-CS)のTREC-IS 2021への参加について報告する。
単純な機械学習アルゴリズム,マルチタスク学習手法,テキスト拡張,アンサンブルアプローチなど,さまざまなアプローチを検討した。
公式評価結果は,多くの指標において,我々の成績が最も高いことを示唆している。
再現性を高めるため、コードはhttps://github.com/wangcongcong123/crisis-mtlで公開されている。
関連論文リスト
- Multi-Query Focused Disaster Summarization via Instruction-Based
Prompting [3.6199702611839792]
CrisisFACTSは,マルチストリームファクトフィンディングに基づく災害要約の推進を目的としている。
ここでは、いくつかの災害関連事象から重要な事実を抽出できるシステムを開発するよう、参加者に依頼する。
本稿では,この課題に対処する方法について述べる。
論文 参考訳(メタデータ) (2024-02-14T08:22:58Z) - Data-CUBE: Data Curriculum for Instruction-based Sentence Representation
Learning [85.66907881270785]
本稿では,学習用マルチタスクデータの順序を列挙するデータカリキュラム,すなわちData-CUBEを提案する。
タスクレベルでは、タスク間の干渉リスクを最小化するために最適なタスクオーダーを見つけることを目的としている。
インスタンスレベルでは、タスク毎のすべてのインスタンスの難易度を測定し、トレーニングのためにそれらを簡単に微分できるミニバッチに分割します。
論文 参考訳(メタデータ) (2024-01-07T18:12:20Z) - CrisisMatch: Semi-Supervised Few-Shot Learning for Fine-Grained Disaster
Tweet Classification [51.58605842457186]
半教師付き, 少数ショットの学習環境下で, 微粒な災害ツイート分類モデルを提案する。
私たちのモデルであるCrisisMatchは、ラベルなしデータと大量のラベルなしデータを用いて、ツイートを関心の細かいクラスに効果的に分類する。
論文 参考訳(メタデータ) (2023-10-23T07:01:09Z) - Dealing with Cross-Task Class Discrimination in Online Continual
Learning [54.31411109376545]
本稿では,クラスインクリメンタルラーニング(CIL)における新たな課題について論じる。
新しいタスクのクラスと古いタスクの間の決定境界を、古いタスクデータへの(あるいは制限された)アクセスなしで設定する方法。
リプレイ方式では、前のタスクから少量のデータ(再生データ)を節約する。現在のタスクデータのバッチが到着すると、システムは、新しいデータとサンプルデータとを共同でトレーニングする。
本稿では,リプレイ手法には動的トレーニングバイアスの問題があり,CTCD問題の解法におけるリプレイデータの有効性を低下させる。
論文 参考訳(メタデータ) (2023-05-24T02:52:30Z) - Enhancing Crisis-Related Tweet Classification with Entity-Masked
Language Modeling and Multi-Task Learning [0.30458514384586394]
本稿では,マルチタスク学習問題として,エンティティ・マスク言語モデリングと階層型マルチラベル分類の組み合わせを提案する。
我々は,TREC-ISデータセットからのつぶやきに対する評価を行い,動作可能な情報型に対して最大10%のF1スコアの絶対的なパフォーマンス向上を示す。
論文 参考訳(メタデータ) (2022-11-21T13:54:10Z) - CrisisLTLSum: A Benchmark for Local Crisis Event Timeline Extraction and
Summarization [62.77066949111921]
本稿では,現在までに利用可能な地域危機イベントタイムラインの最大のデータセットであるCrisisLTLSumについて述べる。
CrisisLTLSumには、山火事、地元の火災、交通、嵐の4つの領域にわたる1000の危機イベントタイムラインが含まれている。
最初の実験では, 両タスクの人的性能と比較して, 強いベースライン性能の間に有意な差があることが示唆された。
論文 参考訳(メタデータ) (2022-10-25T17:32:40Z) - Detection, Disambiguation, Re-ranking: Autoregressive Entity Linking as
a Multi-Task Problem [46.028180604304985]
本稿では,2つの補助的なタスクで訓練された自己回帰エンティティリンクモデルを提案する。
我々は,2つの補助課題のそれぞれがパフォーマンスを向上し,再ランク付けが増加の重要な要因であることをアブレーション研究を通して示す。
論文 参考訳(メタデータ) (2022-04-12T17:55:22Z) - Transformer-based Multi-task Learning for Disaster Tweet Categorisation [2.9112649816695204]
ソーシャルメディアは、人々がタイムリーな方法で情報を流すことを可能にし、危機時に助けを求めるメッセージを投稿する動機となった。
これらのメッセージは、情報タイプに応じて分類される必要がある緊急対応者の状況認識に寄与する。
情報型を分類し,これらのメッセージの優先度を推定するトランスフォーマーベースのマルチタスク学習(MTL)手法を提案する。
論文 参考訳(メタデータ) (2021-10-15T11:13:46Z) - Wizard of Search Engine: Access to Information Through Conversations
with Search Engines [58.53420685514819]
我々は3つの側面からCISの研究を促進するために努力している。
目的検出(ID)、キーフレーズ抽出(KE)、行動予測(AP)、クエリ選択(QS)、通過選択(PS)、応答生成(RG)の6つのサブタスクでCIS用のパイプラインを定式化する。
検索エンジンのウィザード(WISE)と呼ばれるベンチマークデータセットをリリースし、CISのすべての側面について包括的かつ詳細な調査を可能にします。
論文 参考訳(メタデータ) (2021-05-18T06:35:36Z) - Multi-task transfer learning for finding actionable information from
crisis-related messages on social media [3.4392739159262145]
インシデントストリーム(IS)トラックは、緊急対応のために危機時にソーシャルメディアから重要な情報を見つけることを目的とした研究課題です。
危機関連ツイートのストリームが与えられると、isチャレンジは参加システムに対して、各ツイートにおけるユーザの関心やニーズのタイプを分類するように要求する。
本稿では,この課題に対するマルチタスク転送学習手法について述べる。
論文 参考訳(メタデータ) (2021-02-26T11:11:33Z) - An Empirical Methodology for Detecting and Prioritizing Needs during
Crisis Events [2.0605537665985687]
Twitterのようなソーシャルメディアプラットフォームには、一般市民のニーズに関する膨大な情報が含まれている。
本研究では,2つの異なるニーズ検出タスクのための2つの新しい手法を提案する。
新型コロナウイルスの危機に関する一連のツイートで、私たちの手法を評価しました。
論文 参考訳(メタデータ) (2020-06-02T08:02:29Z)
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。