論文の概要: A Twitter-Driven Deep Learning Mechanism for the Determination of
Vehicle Hijacking Spots in Cities
- arxiv url: http://arxiv.org/abs/2208.10280v1
- Date: Thu, 11 Aug 2022 21:56:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-28 22:10:32.760937
- Title: A Twitter-Driven Deep Learning Mechanism for the Determination of
Vehicle Hijacking Spots in Cities
- Title（参考訳）: 都市における乗用車ハイジャックスポット判定のためのtwitter型深層学習機構
- Authors: Taahir Aiyoob Patel, Clement N. Nyirenda
- Abstract要約: この研究は、Twitterデータを用いて都市のハイジャックスポットを描写した地図を作成することを目的としている。
ヒジャック」というキーワードを含むつぶやきはケープタウンの指定都市で得られる。
CNNの精度は99.66%、MBFNNとBERTはそれぞれ98.99%、73.99%であった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vehicle hijacking is one of the leading crimes in many cities. For instance,
in South Africa, drivers must constantly remain vigilant on the road in order
to ensure that they do not become hijacking victims. This work is aimed at
developing a map depicting hijacking spots in a city by using Twitter data.
Tweets, which include the keyword "hijacking", are obtained in a designated
city of Cape Town, in this work. In order to extract relevant tweets, these
tweets are analyzed by using the following machine learning techniques: 1) a
Multi-layer Feed-forward Neural Network (MLFNN); 2) Convolutional Neural
Network; and Bidirectional Encoder Representations from Transformers (BERT).
Through training and testing, CNN achieved an accuracy of 99.66%, while MLFNN
and BERT achieve accuracies of 98.99% and 73.99% respectively. In terms of
Recall, Precision and F1-score, CNN also achieved the best results. Therefore,
CNN was used for the identification of relevant tweets. The relevant reports
that it generates are visually presented on a points map of the City of Cape
Town. This work used a small dataset of 426 tweets. In future, the use of
evolutionary computation will be explored for purposes of optimizing the deep
learning models. A mobile application is under development to make this
information usable by the general public.
- Abstract（参考訳）: 自動車のハイジャックは多くの都市で主要な犯罪の1つである。
例えば南アフリカでは、ドライバーがハイジャックされた被害者にならないように、常に道路で警戒し続けなければならない。
この研究は、twitterデータを用いて、都市のハイジャックスポットを描いた地図を作成することを目的としている。
この作品では、「ハイジャック」というキーワードを含むつぶやきがケープタウンの指定都市で得られている。
関連するツイートを抽出するために、これらのツイートは以下の機械学習技術を用いて分析される。
1) 多層フィードフォワードニューラルネットワーク(MLFNN)
2)畳み込みニューラルネットワーク,および変換器(BERT)からの双方向エンコーダ表現
CNNは99.66%の精度を達成し、MLFNNとBERTはそれぞれ98.99%、73.99%の精度を達成した。
Recall、Precision、F1スコアについても、CNNは最高の結果を得た。
そのため、CNNは関連するツイートの識別に使われた。
生成した関連する報告はケープタウン市のポイントマップに視覚的に表示されている。
この研究は426ツイートの小さなデータセットを使用した。
将来的には、深層学習モデルの最適化を目的とした進化計算の利用が検討される。
この情報を一般向けに利用するためのモバイルアプリが開発中である。
関連論文リスト
- OA-CNNs: Omni-Adaptive Sparse CNNs for 3D Semantic Segmentation [70.17681136234202]
設計上の違いを再検討し、スパースCNNが達成できることの限界をテストする。
本稿では,このギャップを埋めるために,適応受容場(親和性)と適応関係という2つの重要な要素を提案する。
この調査により、軽量モジュールを統合するネットワークのファミリーであるOmni-Adaptive 3D CNN(OA-CNN)が開発された。
論文 参考訳（メタデータ） (2024-03-21T14:06:38Z) - SNAP: Self-Supervised Neural Maps for Visual Positioning and Semantic
Understanding [57.108301842535894]
我々は、地上と頭上の画像からリッチなニューラル2Dマップを学習するディープネットワークSNAPを紹介する。
我々は、異なる入力から推定されるニューラルマップの整列をトレーニングし、何千万ものストリートビュー画像のカメラポーズでのみ監視する。
SNAPは、従来の手法の範囲を超えて、挑戦的な画像クエリの場所を解決できる。
論文 参考訳（メタデータ） (2023-06-08T17:54:47Z) - Machine Learning-based Automatic Annotation and Detection of COVID-19
Fake News [8.020736472947581]
新型コロナウイルス(COVID-19)は世界のあらゆる地域に影響を与えるが、感染の誤報はウイルスよりも速く移動した。
既存の作業は、拡散の触媒として働くボットの存在を無視する。
そこで本稿では,Twitterデータセット上で事実確認文をラベル付けする手法を提案する。
論文 参考訳（メタデータ） (2022-09-07T13:55:59Z) - Lane Detection with Versatile AtrousFormer and Local Semantic Guidance [92.83267435275802]
車線検出は自動運転における中核機能の一つである。
既存のほとんどの手法はCNNベースの手法に頼っている。
本稿では,この問題を解決するためにAtrous Transformer (AtrousFormer)を提案する。
論文 参考訳（メタデータ） (2022-03-08T13:25:35Z) - Semi-supervised Stance Detection of Tweets Via Distant Network
Supervision [32.86421107987556]
ソーシャルネットワーク上のホモフィリーな特性は、粗いユーザーレベルのスタンスを示す強いシグナルを与える。
我々は、新しい半教師付きスタンス検出器であるSANDSを紹介する。
Sandsは、米国(インド)ベースのデータセットで0.55(0.49)のマクロF1スコアを達成した。
論文 参考訳（メタデータ） (2022-01-03T13:04:54Z) - Identification of Twitter Bots based on an Explainable ML Framework: the
US 2020 Elections Case Study [72.61531092316092]
本稿では,ラベル付きTwitterデータに基づくTwitterボット識別システムの設計に焦点をあてる。
Supervised Machine Learning (ML)フレームワークは、Extreme Gradient Boosting (XGBoost)アルゴリズムを用いて採用されている。
また、MLモデルの予測を説明するためにShapley Additive Explanations (SHAP)をデプロイした。
論文 参考訳（メタデータ） (2021-12-08T14:12:24Z) - BreakingBED -- Breaking Binary and Efficient Deep Neural Networks by
Adversarial Attacks [65.2021953284622]
CNNのホワイトボックス攻撃やブラックボックス攻撃に対する堅牢性について検討する。
結果は、蒸留されたCNN、エージェントベースの最新のprunedモデル、およびバイナライズニューラルネットワークのために示されています。
論文 参考訳（メタデータ） (2021-03-14T20:43:19Z) - UIT-HSE at WNUT-2020 Task 2: Exploiting CT-BERT for Identifying COVID-19
Information on the Twitter Social Network [2.7528170226206443]
本稿では,W-NUT 2020 Shared Task 2: Identification of Informative COVID-19 English Tweets。
我々は,様々な微調整技術を用いた COVID-Twitter-BERT (CT-BERT) に基づくトランスフォーマーモデルを用いた簡易かつ効果的なアプローチを提案する。
その結果、F1スコアの90.94%を達成し、このタスクのリーダーボードで3位となり、合計56チームが参加した。
論文 参考訳（メタデータ） (2020-09-07T08:20:31Z) - EdinburghNLP at WNUT-2020 Task 2: Leveraging Transformers with
Generalized Augmentation for Identifying Informativeness in COVID-19 Tweets [0.0]
WNUT Task 2: informationative COVID-19 English Tweets の同定を行う。
私たちの最も成功したモデルは、RoBERTa、XLNet、BERTweetといったトランスフォーマーのアンサンブルで、Semi-Supervised Learning (SSL)環境でトレーニングされています。
提案システムでは,テストセット上でのF1スコアが0.9011(リーダボードでは7位)に達し,FastText埋め込みを用いたシステムに比べて性能が大幅に向上した。
論文 参考訳（メタデータ） (2020-09-06T15:57:28Z) - Misogynistic Tweet Detection: Modelling CNN with Small Datasets [1.452875650827562]
偽造的虐待を識別する自動化手法は、悪質なツイートに関連するパターン、要因、および応答の有効性の理解を改善することができる。
しかし、ニューラルネットワーク(NN)モデルをラベル付きデータの小さなセットでトレーニングし、偽造的ツイートを検出することは困難である。
これは部分的には、偽造的コンテンツを含むつぶやきの複雑な性質と、NNモデルで学習する必要がある膨大な数のパラメータが原因である。
我々は、畳み込みニューラルネットワーク(CNN)アーキテクチャをカスタマイズし、標準化し、タスク固有のドメインで事前訓練されたワードベクトルを使用できることを示した。
論文 参考訳（メタデータ） (2020-08-28T02:59:22Z) - Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。
本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。
提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
論文 参考訳（メタデータ） (2020-06-24T04:45:14Z)
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。