論文の概要: Predicting Opinion Dynamics via Sociologically-Informed Neural Networks
- arxiv url: http://arxiv.org/abs/2207.03990v1
- Date: Thu, 7 Jul 2022 05:55:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-11 13:30:26.986593
- Title: Predicting Opinion Dynamics via Sociologically-Informed Neural Networks
- Title（参考訳）: 社会学的ニューラルネットワークによるオピニオンダイナミクスの予測
- Authors: Maya Okawa and Tomoharu Iwata
- Abstract要約: 本稿では,理論モデルとソーシャルメディアデータを統合した社会学的インフォームドニューラルネットワーク(SINN)を提案する。
特に、理論モデルを常微分方程式(ODE)として再キャストする。
我々は、データを同時に近似し、社会科学的知識を表すODEに適合するニューラルネットワークを訓練する。
- 参考スコア（独自算出の注目度）: 31.77040611129394
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Opinion formation and propagation are crucial phenomena in social networks
and have been extensively studied across several disciplines. Traditionally,
theoretical models of opinion dynamics have been proposed to describe the
interactions between individuals (i.e., social interaction) and their impact on
the evolution of collective opinions. Although these models can incorporate
sociological and psychological knowledge on the mechanisms of social
interaction, they demand extensive calibration with real data to make reliable
predictions, requiring much time and effort. Recently, the widespread use of
social media platforms provides new paradigms to learn deep learning models
from a large volume of social media data. However, these methods ignore any
scientific knowledge about the mechanism of social interaction. In this work,
we present the first hybrid method called Sociologically-Informed Neural
Network (SINN), which integrates theoretical models and social media data by
transporting the concepts of physics-informed neural networks (PINNs) from
natural science (i.e., physics) into social science (i.e., sociology and social
psychology). In particular, we recast theoretical models as ordinary
differential equations (ODEs). Then we train a neural network that
simultaneously approximates the data and conforms to the ODEs that represent
the social scientific knowledge. In addition, we extend PINNs by integrating
matrix factorization and a language model to incorporate rich side information
(e.g., user profiles) and structural knowledge (e.g., cluster structure of the
social interaction network). Moreover, we develop an end-to-end training
procedure for SINN, which involves Gumbel-Softmax approximation to include
stochastic mechanisms of social interaction. Extensive experiments on
real-world and synthetic datasets show SINN outperforms six baseline methods in
predicting opinion dynamics.
- Abstract（参考訳）: 意見形成と伝播は、ソーシャルネットワークにおいて重要な現象であり、いくつかの分野にわたって広く研究されてきた。
伝統的に、個人間の相互作用(すなわち社会的相互作用)とその集団的意見の進化への影響を記述するために、意見力学の理論モデルが提案されている。
これらのモデルは社会学的、心理的な知識を社会的相互作用のメカニズムに組み込むことができるが、彼らは信頼できる予測を行うために実データによる広範な校正を要求し、多くの時間と労力を必要としている。
近年,ソーシャルメディアプラットフォームの普及は,大量のソーシャルメディアデータからディープラーニングモデルを学習するための新たなパラダイムを提供する。
しかし、これらの手法は社会的相互作用のメカニズムに関する科学的知識を無視する。
本研究では,自然科学(物理学)から社会科学(社会学・社会心理学)へ物理情報ニューラルネットワーク(PINN)の概念を伝達することにより,理論モデルとソーシャルメディアデータを統合する,社会学的情報ニューラルネットワーク(SINN)と呼ばれる最初のハイブリッド手法を提案する。
特に、理論モデルを常微分方程式(ODE)として再送する。
そして、データを同時に近似し、社会科学的知識を表すODEに適合するニューラルネットワークを訓練する。
さらに,行列分解と言語モデルを統合し,リッチな側情報(ユーザプロファイルなど)と構造的知識(例えば,ソーシャルインタラクションネットワークのクラスタ構造)を統合することで,PINNを拡張した。
さらに,社会的相互作用の確率的機構を含むGumbel-Softmax近似を含むSINNのエンドツーエンドトレーニング手法を開発した。
現実世界と合成データセットに関する広範囲な実験により、sinnは6つのベースラインメソッドを上回っており、意見のダイナミクスを予測する。
関連論文リスト
- Modeling Social Media Recommendation Impacts Using Academic Networks: A Graph Neural Network Approach [4.138915764680197]
本研究では,学術ソーシャルネットワークをソーシャルメディアにおけるレコメンデーションシステム調査のプロキシとして活用することを提案する。
グラフニューラルネットワーク(GNN)を用いて,学術情報圏の予測と行動予測を分離するモデルを構築する。
提案手法は,レコメンデーションシステムの役割とソーシャルネットワークのモデリングに関する理解を深めることを目的としている。
論文 参考訳（メタデータ） (2024-10-06T17:03:27Z) - Towards Asimov's Psychohistory: Harnessing Topological Data Analysis, Artificial Intelligence and Social Media data to Forecast Societal Trends [0.0]
ビッグデータや高度な計算手法の時代には、大規模社会行動の予測がますます実現可能になっている。
本稿では,計算能力と数学的枠組みの統合を理論的に検討する。
これらのツールは、大きなコミュニティのダイナミクスに前例のない明快さをもたらしている、と私は論じます。
論文 参考訳（メタデータ） (2024-07-03T18:44:36Z) - Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。
新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。
我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
論文 参考訳（メタデータ） (2024-02-20T15:23:24Z) - Social-LLM: Modeling User Behavior at Scale using Language Models and
Social Network Data [13.660150473547766]
本稿では,ユーザ検出タスクにおけるソーシャルネットワークデータのモデリングに適した新しいアプローチを提案する。
提案手法は,局所的なソーシャルネットワークのインタラクションを,大規模言語モデルの能力と統合する。
実世界の7つのソーシャル・ネットワーク・データセットにまたがって、我々の手法を徹底的に評価する。
論文 参考訳（メタデータ） (2023-12-31T05:13:13Z) - From Spin States to Socially Integrated Ising Models: Proposed
Applications of Graph States, Stabilizer States, Toric States to Opinion
Dynamics [0.0]
近年の研究では、量子情報理論の概念を意見力学のモデルに取り入れている。
これらの概念を取り入れることで、意見形成の過程やソーシャルネットワークのダイナミクスをより詳細に分析することができる。
論文 参考訳（メタデータ） (2023-12-01T18:19:43Z) - Training Socially Aligned Language Models on Simulated Social
Interactions [99.39979111807388]
AIシステムにおける社会的アライメントは、確立された社会的価値に応じてこれらのモデルが振舞うことを保証することを目的としている。
現在の言語モデル(LM)は、トレーニングコーパスを独立して厳格に複製するように訓練されている。
本研究は,シミュレートされた社会的相互作用からLMを学習することのできる,新しい学習パラダイムを提案する。
論文 参考訳（メタデータ） (2023-05-26T14:17:36Z) - Neural Theory-of-Mind? On the Limits of Social Intelligence in Large LMs [77.88043871260466]
私たちは、今日の最大の言語モデルのひとつに、このようなソーシャルインテリジェンスを最初から欠いていることを示しています。
我々は、人中心のNLPアプローチは、マインドの神経理論に対してより効果的であるかもしれないと結論づける。
論文 参考訳（メタデータ） (2022-10-24T14:58:58Z) - The world seems different in a social context: a neural network analysis
of human experimental data [57.729312306803955]
本研究では,先行・知覚的信号の精度を変化させることで,個人・社会的タスク設定の両方で人間の行動データを再現可能であることを示す。
トレーニングされたネットワークの神経活性化トレースの分析は、情報が個人や社会的条件のネットワークにおいて、根本的に異なる方法でコード化されていることを示す。
論文 参考訳（メタデータ） (2022-03-03T17:19:12Z) - PHASE: PHysically-grounded Abstract Social Events for Machine Social
Perception [50.551003004553806]
私たちは、物理的に根拠のある抽象的なソーシャルイベント、フェーズのデータセットを作成します。
フェーズは人間の実験によって検証され、人間は社会出来事において豊かな相互作用を知覚する。
ベースラインモデルとして,最新のフィードフォワードニューラルネットワークよりも優れたベイズ逆計画手法SIMPLEを導入する。
論文 参考訳（メタデータ） (2021-03-02T18:44:57Z) - Models we Can Trust: Toward a Systematic Discipline of (Agent-Based)
Model Interpretation and Validation [0.0]
我々は、モデルから情報を取り出すための相互作用の分野の開発を提唱する。
このような分野の発展に向けたいくつかの方向性を概説する。
論文 参考訳（メタデータ） (2021-02-23T10:52:22Z) - I Know Where You Are Coming From: On the Impact of Social Media Sources
on AI Model Performance [79.05613148641018]
我々は、異なるソーシャルネットワークのマルチモーダルデータから学習する際、異なる機械学習モデルの性能について検討する。
最初の実験結果から,ソーシャルネットワークの選択がパフォーマンスに影響を及ぼすことが明らかとなった。
論文 参考訳（メタデータ） (2020-02-05T11:10:44Z)
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。