論文の概要: Coping with low data availability for social media crisis message categorisation

• arxiv url: http://arxiv.org/abs/2305.17211v1
• Date: Fri, 26 May 2023 19:08:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-30 21:12:16.812913
• Title: Coping with low data availability for social media crisis message categorisation
• Title（参考訳）: ソーシャルメディア危機メッセージ分類のための低データ可用性対策
• Authors: Congcong Wang
• Abstract要約: この論文は、緊急対応のための危機メッセージの分類において、データ可用性の低い課題に対処することに焦点を当てている。 これはまず、過去の危機イベントから注釈付きデータから分類モデルを学ぶことを含む、この問題の解決策としてドメイン適応を提示する。 モデルが過去の複数のイベントに対してトレーニングされ、進行中の複数のイベントに適応する多対多適応では、マルチタスク学習アプローチが提案される。
• 参考スコア（独自算出の注目度）: 3.0255457622022495
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: During crisis situations, social media allows people to quickly share information, including messages requesting help. This can be valuable to emergency responders, who need to categorise and prioritise these messages based on the type of assistance being requested. However, the high volume of messages makes it difficult to filter and prioritise them without the use of computational techniques. Fully supervised filtering techniques for crisis message categorisation typically require a large amount of annotated training data, but this can be difficult to obtain during an ongoing crisis and is expensive in terms of time and labour to create. This thesis focuses on addressing the challenge of low data availability when categorising crisis messages for emergency response. It first presents domain adaptation as a solution for this problem, which involves learning a categorisation model from annotated data from past crisis events (source domain) and adapting it to categorise messages from an ongoing crisis event (target domain). In many-to-many adaptation, where the model is trained on multiple past events and adapted to multiple ongoing events, a multi-task learning approach is proposed using pre-trained language models. This approach outperforms baselines and an ensemble approach further improves performance...
• Abstract（参考訳）: 危機的状況下では、ソーシャルメディアは、助けを求めるメッセージを含む情報を素早く共有することができる。 これは緊急対応者にとって価値があり、要求される援助の種類に基づいてこれらのメッセージを分類し優先順位付けする必要がある。 しかし、大量のメッセージは、計算技術を使わずにフィルタリングや優先順位付けを困難にしている。 危機メッセージ分類のための完全な教師付きフィルタリング技術は、通常大量の注釈付きトレーニングデータを必要とするが、これは進行中の危機の間に入手することは困難であり、作成する時間と労力の面で高価である。 この論文は、緊急対応のための危機メッセージを分類する際に、低データ可用性の課題に取り組むことに焦点を当てている。 これは、過去の危機イベント(ソースドメイン)からの注釈付きデータから分類モデルを学習し、進行中の危機イベント(ターゲットドメイン)からのメッセージの分類に適応させることを含む。 複数の過去の出来事にモデルを訓練し、進行中の出来事に適応させる多対多適応では、事前訓練された言語モデルを用いてマルチタスク学習アプローチが提案される。 このアプローチはベースラインを上回り、アンサンブルアプローチはパフォーマンスをさらに改善します。

関連論文リスト

• CrisisSense-LLM: Instruction Fine-Tuned Large Language Model for Multi-label Social Media Text Classification in Disaster Informatics [49.2719253711215]
  本研究では,事前学習型大規模言語モデル(LLM)の強化による災害テキスト分類への新たなアプローチを提案する。 本手法では,災害関連ツイートから包括的インストラクションデータセットを作成し,それをオープンソース LLM の微調整に用いる。 この微調整モデルでは,災害関連情報の種類,情報化,人的援助の関与など,複数の側面を同時に分類することができる。
  論文  参考訳（メタデータ） (2024-06-16T23:01:10Z)
• CrisisMatch: Semi-Supervised Few-Shot Learning for Fine-Grained Disaster Tweet Classification [51.58605842457186]
  半教師付き, 少数ショットの学習環境下で, 微粒な災害ツイート分類モデルを提案する。 私たちのモデルであるCrisisMatchは、ラベルなしデータと大量のラベルなしデータを用いて、ツイートを関心の細かいクラスに効果的に分類する。
  論文  参考訳（メタデータ） (2023-10-23T07:01:09Z)
• CrisisLTLSum: A Benchmark for Local Crisis Event Timeline Extraction and Summarization [62.77066949111921]
  本稿では,現在までに利用可能な地域危機イベントタイムラインの最大のデータセットであるCrisisLTLSumについて述べる。 CrisisLTLSumには、山火事、地元の火災、交通、嵐の4つの領域にわたる1000の危機イベントタイムラインが含まれている。 最初の実験では, 両タスクの人的性能と比較して, 強いベースライン性能の間に有意な差があることが示唆された。
  論文  参考訳（メタデータ） (2022-10-25T17:32:40Z)
• Cross-Lingual and Cross-Domain Crisis Classification for Low-Resource Scenarios [4.147346416230273]
  本稿では,言語間およびドメイン間ラベル付きデータを活用することで,危機事象に関連するメッセージを自動的に分類するタスクについて検討する。 私たちのゴールは、高リソース言語のラベル付きデータを使用して、他の(低リソースの)言語や、新しい(以前は見えなかった)危機状況からのメッセージを分類することです。 我々の経験的発見は、英語の危機イベントのデータを利用して、スペイン語やイタリア語など他の言語で同じ種類の出来事を分類することが可能であることを示している。
  論文  参考訳（メタデータ） (2022-09-05T20:57:23Z)
• Combating Temporal Drift in Crisis with Adapted Embeddings [58.4558720264897]
  言語の使用は時間とともに変化し、NLPシステムの有効性に影響を与える可能性がある。 本研究は,危機時の言論変化に対応する方法を検討する。
  論文  参考訳（メタデータ） (2021-04-17T13:11:41Z)
• Bridging the gap between supervised classification and unsupervised topic modelling for social-media assisted crisis management [0.5249805590164902]
  Twitterなどのソーシャルメディアは、自然災害時に危機管理者や被災者に貴重な情報を提供します。 機械学習は、危機時に共有される大量のメッセージから情報を構造化および抽出するのに役立ちます。 bertembedsが危機関連ツイートの分類を微調整することで,新たな危機に効果的に対応できることを示す。
  論文  参考訳（メタデータ） (2021-03-22T13:30:39Z)
• Event-Related Bias Removal for Real-time Disaster Events [67.2965372987723]
  ソーシャルメディアは、自然災害や大量攻撃などの危機事象に関する情報を共有する重要なツールとなっている。 有用な情報を含む実行可能なポストを検出するには、大量のデータをリアルタイムに高速に分析する必要がある。 我々は、潜在事象固有のバイアスを除去し、ツイート重要度分類の性能を向上させるために、敵対的ニューラルモデルを訓練する。
  論文  参考訳（メタデータ） (2020-11-02T02:03:07Z)
• Multimodal Categorization of Crisis Events in Social Media [81.07061295887172]
  本稿では,画像とテキストの両方を入力として利用するマルチモーダル融合法を提案する。 特に、弱モダリティから非形式的および誤解を招くコンポーネントをフィルタリングできるクロスアテンションモジュールを導入する。 本手法は,3つの危機関連タスクにおいて,一様アプローチと強いマルチモーダルベースラインを大きなマージンで上回ることを示す。
  論文  参考訳（メタデータ） (2020-04-10T06:31:30Z)
• Unsupervised and Interpretable Domain Adaptation to Rapidly Filter Tweets for Emergency Services [18.57009530004948]
  本稿では,TRECインシデントストリームの公開データセットを用いて,危機時に関連するツイートを分類する新しい手法を提案する。 私たちは各タスクに専用の注意層を使用して、モデル解釈可能性を提供しています。 新型コロナウイルスのパンデミックに対するユースケースを提供することで、我々の仕事の実践的な意味を示す。
  論文  参考訳（メタデータ） (2020-03-04T06:40:14Z)

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。