論文の概要: An Ordinal Latent Variable Model of Conflict Intensity
- arxiv url: http://arxiv.org/abs/2210.03971v1
- Date: Sat, 8 Oct 2022 08:59:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-11 19:23:58.985737
- Title: An Ordinal Latent Variable Model of Conflict Intensity
- Title(参考訳): 競合強度の順序的潜在変数モデル
- Authors: Niklas Stoehr, Lucas Torroba Hennigen, Josef Valvoda, Robert West,
Ryan Cotterell, Aaron Schein
- Abstract要約: ゴールドスタインスケール(Goldstein Scale)は、コンフリクトからコラボレーティブまで、個々の事象を1次元のスケールでランク付けする。
この尺度は、死者数だけでなく、事件に関与した加害者や被害者のタイプも無視する。
本稿では,事象に関連する全主観的述語オブジェクトに対する確率的生成モデルを提案する。
- 参考スコア(独自算出の注目度): 59.49424978353101
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: For the quantitative monitoring of international relations, political events
are extracted from the news and parsed into "who-did-what-to-whom" patterns.
This has resulted in large data collections which require aggregate statistics
for analysis. The Goldstein Scale is an expert-based measure that ranks
individual events on a one-dimensional scale from conflictual to cooperative.
However, the scale disregards fatality counts as well as perpetrator and victim
types involved in an event. This information is typically considered in
qualitative conflict assessment. To address this limitation, we propose a
probabilistic generative model over the full
subject-predicate-quantifier-object tuples associated with an event. We treat
conflict intensity as an interpretable, ordinal latent variable that correlates
conflictual event types with high fatality counts. Taking a Bayesian approach,
we learn a conflict intensity scale from data and find the optimal number of
intensity classes. We evaluate the model by imputing missing data. Our scale
proves to be more informative than the original Goldstein Scale in
autoregressive forecasting and when compared with global online attention
towards armed conflicts.
- Abstract(参考訳): 国際関係の定量的なモニタリングのために、政治イベントはニュースから抽出され、「全体」パターンに解析される。
この結果、分析に集約統計を必要とする大規模なデータ収集が実現した。
ゴールドスタインスケール(Goldstein Scale)は、専門家による尺度で、個々の事象を1次元のスケールで比較する尺度である。
しかし、このスケールは死亡者数や加害者、被害者の種類を無視している。
この情報は一般的に質的な紛争評価において考慮される。
この制限に対処するために、我々はイベントに関連する全主語-述語-量化子-オブジェクトタプルに対する確率的生成モデルを提案する。
コンフリクト強度を、コンフリクトの事象タイプと高い死亡率を関連付ける解釈可能な順序的潜在変数として扱う。
ベイズ的アプローチをとると、データから衝突強度スケールを学び、最適な強度クラス数を見つける。
欠落したデータを入力してモデルを評価する。
私たちのスケールは、自己回帰的な予測と、武力紛争に対するグローバルなオンラインの注意と比較して、オリジナルのgoldsteinスケールよりも有益であることが証明されます。
関連論文リスト
- Getting Sick After Seeing a Doctor? Diagnosing and Mitigating Knowledge
Conflicts in Event Temporal Reasoning [61.48283695746648]
イベント時間的推論は、2つ以上のイベント間の時間的関係を特定することを目的としている。
知識の衝突は、コンテキスト内の事象の実際の時間的関係と、モデルによって学習された事前の知識やバイアスとの間にミスマッチがあるときに起こる。
論文 参考訳(メタデータ) (2023-05-24T10:04:06Z) - Context De-confounded Emotion Recognition [12.037240778629346]
コンテキストアウェア感情認識(CAER)は、対象者の感情状態を文脈情報で知覚することを目的としている。
長年見過ごされてきた問題は、既存のデータセットのコンテキストバイアスが感情状態のかなり不均衡な分布をもたらすことである。
本稿では、そのようなバイアスの影響からモデルを切り離し、CAERタスクにおける変数間の因果関係を定式化する因果関係に基づく視点を提供する。
論文 参考訳(メタデータ) (2023-03-21T15:12:20Z) - Towards Out-of-Distribution Sequential Event Prediction: A Causal
Treatment [72.50906475214457]
シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。
実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。
文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
論文 参考訳(メタデータ) (2022-10-24T07:54:13Z) - Are All Steps Equally Important? Benchmarking Essentiality Detection of
Events [92.92425231146433]
本稿では,現在のモデルが目標イベントに関連するステップイベントの本質をどの程度理解しているかについて検討する。
コミュニティガイドサイトWikiHowから収集した高品質なペア(ゴール,ステップ)コーパスをコントリビュートする。
高いアノテータ間の合意は、人間が事象の本質について一貫した理解を持っていることを証明している。
論文 参考訳(メタデータ) (2022-10-08T18:00:22Z) - Towards Robust Unsupervised Disentanglement of Sequential Data -- A Case
Study Using Music Audio [17.214062755082065]
Disentangled Sequence Autoencoder (DSAE) は確率的グラフィカルモデルのクラスを表す。
バニラDSAEはモデルアーキテクチャの選択や動的潜伏変数の容量に敏感であることを示す。
本稿では,まずシーケンスレベルの事前分布を学習する2段階のトレーニングフレームワークTS-DSAEを提案する。
論文 参考訳(メタデータ) (2022-05-12T04:11:25Z) - ClarET: Pre-training a Correlation-Aware Context-To-Event Transformer
for Event-Centric Generation and Classification [74.6318379374801]
本稿では,イベント中心推論のための一般相関対応コンテキスト・イベント変換器(ClarET)の事前学習を提案する。
提案されたClarETは、幅広いイベント中心の推論シナリオに適用できる。
論文 参考訳(メタデータ) (2022-03-04T10:11:15Z) - X-model: Improving Data Efficiency in Deep Learning with A Minimax Model [78.55482897452417]
ディープラーニングにおける分類と回帰設定の両面でのデータ効率の向上を目標とする。
両世界の力を生かすために,我々は新しいX-モデルを提案する。
X-モデルは、特徴抽出器とタスク固有のヘッドの間でミニマックスゲームを行う。
論文 参考訳(メタデータ) (2021-10-09T13:56:48Z) - A new harmonium for pattern recognition in survival data [0.0]
方法:エネルギーに基づくアプローチは、潜在状態と可視状態の間に二部構造を持ち、一般にハーモニウムと呼ばれる。
我々は、余分な時間-時間変数を活用することにより、差別的予測が改善されることを実証する。
論文 参考訳(メタデータ) (2021-10-05T11:42:36Z) - Behind the Scenes: An Exploration of Trigger Biases Problem in Few-Shot
Event Classification [24.598938900747186]
FSEC(Few-Shot Event Classification)は、アノテーション付きデータに制限のある新しいイベントタイプに一般化可能な、イベント予測モデルの開発を目標としている。
既存のFSECモデルは、トリガーワードとターゲットイベントタイプの間の統計的均一性を示すトリガーバイアスに悩まされている。
FSECモデルにおけるコンテキストバイパス問題に対処するために、敵の訓練とトリガー再構成技術を導入する。
論文 参考訳(メタデータ) (2021-08-29T13:46:42Z)
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。