論文の概要: Exploiting Social Graph Networks for Emotion Prediction

• arxiv url: http://arxiv.org/abs/2207.05820v1
• Date: Tue, 12 Jul 2022 20:24:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-15 04:54:13.608312
• Title: Exploiting Social Graph Networks for Emotion Prediction
• Title（参考訳）: 感情予測のためのソーシャルグラフネットワークの利用
• Authors: Maryam Khalid, Akane Sano
• Abstract要約: モバイルセンシングデータを用いて幸福とストレスを予測する。 人の生理的特徴に加えて、天気やソーシャルネットワークを通じて環境への影響も取り入れる。 ユーザのソーシャルネットワークの統合が予測に影響を及ぼすようなアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 2.7376140293132667
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Emotion prediction plays an essential role in mental health and emotion-aware computing. The complex nature of emotion resulting from its dependency on a person's physiological health, mental state, and his surroundings makes its prediction a challenging task. In this work, we utilize mobile sensing data to predict happiness and stress. In addition to a person's physiological features, we also incorporate the environment's impact through weather and social network. To this end, we leverage phone data to construct social networks and develop a machine learning architecture that aggregates information from multiple users of the graph network and integrates it with the temporal dynamics of data to predict emotion for all the users. The construction of social networks does not incur additional cost in terms of EMAs or data collection from users and doesn't raise privacy concerns. We propose an architecture that automates the integration of a user's social network affect prediction, is capable of dealing with the dynamic distribution of real-life social networks, making it scalable to large-scale networks. Our extensive evaluation highlights the improvement provided by the integration of social networks. We further investigate the impact of graph topology on model's performance.
• Abstract（参考訳）: 感情予測はメンタルヘルスや感情認識コンピューティングにおいて重要な役割を果たす。 感情の複雑な性質は、その人の生理的健康、精神状態、周囲の環境に依存するため、その予測は困難なタスクとなる。 本研究では,モバイルセンシングデータを用いて幸福感とストレスを予測する。 人の生理的特徴に加えて,気象や社会ネットワークを通じた環境への影響も取り入れる。 この目的のために、電話データを利用してソーシャルネットワークを構築し、グラフネットワークの複数のユーザから情報を集約し、すべてのユーザの感情を予測するデータの時間的ダイナミクスと統合する機械学習アーキテクチャを開発する。 ソーシャルネットワークの構築は、ユーザーからのemasやデータ収集に関して追加コストを発生せず、プライバシーの懸念も生じない。 本稿では,ユーザのソーシャルネットワークの統合が予測に影響を及ぼすことを自動化し,実生活におけるソーシャルネットワークの動的な分散を処理し,大規模ネットワークに拡張性を持たせるアーキテクチャを提案する。 当社の広範な評価は,ソーシャルネットワークの統合による改善を強調するものだ。 グラフトポロジーがモデルの性能に与える影響についてさらに検討する。

関連論文リスト

• When LLM Meets Hypergraph: A Sociological Analysis on Personality via Online Social Networks [7.309233340654514]
  本稿では,個人レベルのデータマイニングではなく,環境を考慮した視点で人格を社会学的に分析する枠組みを提案する。 ハイパーグラフノードをユーザとし,ハイパーグラフのハイパーエッジをソーシャル環境とする,効果的なハイパーグラフニューラルネットワークを設計する。 ユーザプロファイルデータ、性格特性、実世界のソーシャルプラットフォームから検出されたいくつかの環境を含む有用なデータセットを提供する。
  論文  参考訳（メタデータ） (2024-07-04T01:43:52Z)
• BotDGT: Dynamicity-aware Social Bot Detection with Dynamic Graph Transformers [34.517897902575946]
  BotDGTはトポロジカルな構造を考慮した新しいフレームワークであるが、ソーシャルネットワークの動的な性質を効果的に取り入れている。 各歴史的スナップショットからトポロジ情報を取得するために構造モジュールが使用される。 時間的モジュールは、歴史的コンテキストを統合し、社会的ボットや正当なユーザによって提示される進化する行動パターンをモデル化するために提案される。
  論文  参考訳（メタデータ） (2024-04-23T14:19:13Z)
• Social Intelligence Data Infrastructure: Structuring the Present and Navigating the Future [59.78608958395464]
  私たちは、包括的な社会AI分類と480のNLPデータセットからなるデータライブラリで構成される、ソーシャルAIデータインフラストラクチャを構築しています。 インフラストラクチャにより、既存のデータセットの取り組みを分析し、異なるソーシャルインテリジェンスの観点から言語モデルのパフォーマンスを評価することができます。 多面的なデータセットの必要性、言語と文化の多様性の向上、より長期にわたる社会的状況、そして将来のソーシャルインテリジェンスデータ活動におけるよりインタラクティブなデータの必要性が示されている。
  論文  参考訳（メタデータ） (2024-02-28T00:22:42Z)
• 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)
• Decoding the Silent Majority: Inducing Belief Augmented Social Graph with Large Language Model for Response Forecasting [74.68371461260946]
  SocialSenseは、既存のソーシャルネットワーク上に信念中心のグラフを誘導するフレームワークであり、グラフベースの伝播によって社会的ダイナミクスを捉える。 本手法は,ゼロショット設定と教師あり設定の両方に対する実験的な評価において,既存の最先端技術を超えている。
  論文  参考訳（メタデータ） (2023-10-20T06:17:02Z)
• Self-supervised Hypergraph Representation Learning for Sociological Analysis [52.514283292498405]
  本稿では,データマイニング技術と社会学的行動基準のさらなる融合を支援するための基本的な方法論を提案する。 まず,効率的なハイパーグラフ認識と高速グラフ構築フレームワークを提案する。 第2に,ユーザからユーザへのソーシャルインフルエンスを学習するためのハイパーグラフベースニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-12-22T01:20:29Z)
• Co-Located Human-Human Interaction Analysis using Nonverbal Cues: A Survey [71.43956423427397]
  本研究の目的は,非言語的キューと計算手法を同定し,効果的な性能を実現することである。 この調査は、最も広い範囲の社会現象と相互作用設定を巻き込むことによって、相手と異なる。 もっともよく使われる非言語キュー、計算方法、相互作用環境、センシングアプローチは、それぞれマイクとカメラを備えた3,4人で構成される会話活動、ベクターマシンのサポート、ミーティングである。
  論文  参考訳（メタデータ） (2022-07-20T13:37:57Z)
• 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)
• Harnessing the Power of Ego Network Layers for Link Prediction in Online Social Networks [0.734084539365505]
  予測は典型的には教師なしまたは教師なしの学習に基づいている。 個人の社会的構造に関するより豊かな情報は、より良い予測につながるかもしれないと我々は主張する。 社会的認識が予測性能に大きな改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2021-09-19T18:49:10Z)
• 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)

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。