論文の概要: Early Warning Signals of Social Instabilities in Twitter Data

• arxiv url: http://arxiv.org/abs/2303.05401v1
• Date: Fri, 3 Mar 2023 11:18:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-12 03:32:22.141804
• Title: Early Warning Signals of Social Instabilities in Twitter Data
• Title（参考訳）: twitterデータにおける社会不安定の早期警告信号
• Authors: Vahid Shamsaddini, Henry Kirveslahti, Raphael Reinauer, Wallyson Lemes de Oliveira, Matteo Caorsi, Etienne Voutaz
• Abstract要約: 本研究では、ソーシャルメディア上でのみ公開されているデータを用いて、社会的に破壊的な事象に対する早期警戒信号を特定する新しい手法について研究する。 私たちは、あるツイートが破壊的なイベントと関連しているかどうかを予測するバイナリ分類器を構築します。 その結果, 永続段階のアプローチは, ディープラーニングに基づく異常検出アルゴリズムよりも安定であり, より高性能であることが示唆された。
• 参考スコア（独自算出の注目度）: 0.42816770420595307
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The goal of this project is to create and study novel techniques to identify early warning signals for socially disruptive events, like riots, wars, or revolutions using only publicly available data on social media. Such techniques need to be robust enough to work on real-time data: to achieve this goal we propose a topological approach together with more standard BERT models. Indeed, topology-based algorithms, being provably stable against deformations and noise, seem to work well in low-data regimes. The general idea is to build a binary classifier that predicts if a given tweet is related to a disruptive event or not. The results indicate that the persistent-gradient approach is stable and even more performant than deep-learning-based anomaly detection algorithms. We also benchmark the generalisability of the methodology against out-of-samples tasks, with very promising results.
• Abstract（参考訳）: このプロジェクトの目標は、ソーシャルメディア上の公開データのみを使用して、暴動、戦争、革命のような社会的に破壊的な出来事の早期警告信号を識別するための新しい手法を作成し、研究することである。 この目的を達成するためには、より標準的なBERTモデルとともにトポロジカルなアプローチを提案する。 実際、トポロジに基づくアルゴリズムは、変形やノイズに対して確実に安定しており、低データレシエーションではうまく機能しているように見える。 一般的なアイデアは、あるツイートがディスラプティブなイベントに関連しているかどうかを予測するバイナリ分類器を構築することだ。 その結果、永続的勾配アプローチは、ディープラーニングに基づく異常検出アルゴリズムよりも安定であり、さらに高性能であることが示された。 私たちはまた、サンプル外のタスクに対する方法論の汎用性をベンチマークし、非常に有望な結果を得た。

関連論文リスト

• Learning from the past: predicting critical transitions with machine learning trained on surrogates of historical data [3.9617282900065853]
  複雑なシステムは、徐々に変化する環境条件が突然、破滅的な新しい状態へと移行する、重要な遷移を経験することができる。 これらの事象の早期警戒信号は、生態学、生物学、気候科学などの分野における意思決定に不可欠である。 本稿では,過去の遷移データに基づいて機械学習分類器を直接訓練する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-13T03:25:49Z)
• RECOVAR: Representation Covariances on Deep Latent Spaces for Seismic Event Detection [0.0]
  生波形から地震を検出することを学習する地震検出の教師なし手法を開発した。 パフォーマンスは、いくつかの最先端の教師付きメソッドと同等であり、場合によっては同等である。 このアプローチは、他のドメインからの時系列データセットに有用である可能性がある。
  論文  参考訳（メタデータ） (2024-07-25T21:33:54Z)
• Pattern-Based Time-Series Risk Scoring for Anomaly Detection and Alert Filtering -- A Predictive Maintenance Case Study [3.508168174653255]
  本稿では,逐次パターンの類似性に基づいて,異常検出と警告フィルタリングを高速かつ効率的に行う手法を提案する。 本稿では, 大規模産業システムにおける異常検出を含む様々な目的で, このアプローチをどのように活用するかを示す。
  論文  参考訳（メタデータ） (2024-05-24T20:27:45Z)
• Learning with Noisy Foundation Models [95.50968225050012]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• Hashing it Out: Predicting Unhealthy Conversations on Twitter [0.17175853976270528]
  大規模Twitterコーパス上で事前学習されたアテンションベースのBERTアーキテクチャは,このような予測を行う上で効率的かつ効果的であることを示す。 この研究は、最もユビキタスなソーシャルメディアプラットフォームにおけるより良いインタラクションを促進するための実用的なツールの基礎を築いた。
  論文  参考訳（メタデータ） (2023-11-17T15:49:11Z)
• MAPS: A Noise-Robust Progressive Learning Approach for Source-Free Domain Adaptive Keypoint Detection [76.97324120775475]
  クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。 本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
  論文  参考訳（メタデータ） (2023-02-09T12:06:08Z)
• MaxMatch: Semi-Supervised Learning with Worst-Case Consistency [149.03760479533855]
  半教師付き学習(SSL)のための最悪ケース整合正則化手法を提案する。 本稿では,ラベル付きトレーニングデータとラベル付きトレーニングデータとを別々に比較した経験的損失項からなるSSLの一般化について述べる。 この境界によって動機づけられたSSLの目的は、元のラベルのないサンプルと、その複数の拡張版との最大の矛盾を最小限に抑えるものである。
  論文  参考訳（メタデータ） (2022-09-26T12:04:49Z)
• Deep Active Learning with Noise Stability [24.54974925491753]
  ラベルのないデータの不確実性推定は、アクティブな学習に不可欠である。 本稿では,雑音の安定性を利用して不確実性を推定する新しいアルゴリズムを提案する。 本手法はコンピュータビジョン,自然言語処理,構造データ解析など,様々なタスクに適用可能である。
  論文  参考訳（メタデータ） (2022-05-26T13:21:01Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Meta Adversarial Perturbations [66.43754467275967]
  メタ逆境摂動(MAP)の存在を示す。 MAPは1段階の上昇勾配更新によって更新された後、自然画像を高い確率で誤分類する。 これらの摂動は画像に依存しないだけでなく、モデルに依存しないものであり、単一の摂動は見えないデータポイントと異なるニューラルネットワークアーキテクチャにまたがってうまく一般化される。
  論文  参考訳（メタデータ） (2021-11-19T16:01:45Z)
• Continual Learning for Fake Audio Detection [62.54860236190694]
  本論文では,連続学習に基づく手法である忘れずに偽物を検出することで,モデルに新たなスプーフィング攻撃をインクリメンタルに学習させる手法を提案する。 ASVspoof 2019データセットで実験が行われる。
  論文  参考訳（メタデータ） (2021-04-15T07:57:05Z)

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。