論文の概要: TotalDefMeme: A Multi-Attribute Meme dataset on Total Defence in
Singapore
- arxiv url: http://arxiv.org/abs/2305.17911v1
- Date: Mon, 29 May 2023 06:43:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-30 15:59:50.604053
- Title: TotalDefMeme: A Multi-Attribute Meme dataset on Total Defence in
Singapore
- Title（参考訳）: TotalDefMeme: シンガポールのトータルディフェンスに関するマルチ属性ミームデータセット
- Authors: Nirmalendu Prakash, Ming Shan Hee and Roy Ka-Wei Lee
- Abstract要約: トータル・ディフェンス(Total Defense)は、軍事防衛と民間防衛の概念を統合し拡張する防衛政策である。
本研究では,シンガポールのトータル・ディフェンス・ポリシーに対する大衆の感情を捉えた大規模マルチモーダル・マルチアトリビュート・ミーム・データセットであるTotalDefMemeを提案する。
- 参考スコア（独自算出の注目度）: 3.6713348305123548
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Total Defence is a defence policy combining and extending the concept of
military defence and civil defence. While several countries have adopted total
defence as their defence policy, very few studies have investigated its
effectiveness. With the rapid proliferation of social media and digitalisation,
many social studies have been focused on investigating policy effectiveness
through specially curated surveys and questionnaires either through digital
media or traditional forms. However, such references may not truly reflect the
underlying sentiments about the target policies or initiatives of interest.
People are more likely to express their sentiment using communication mediums
such as starting topic thread on forums or sharing memes on social media. Using
Singapore as a case reference, this study aims to address this research gap by
proposing TotalDefMeme, a large-scale multi-modal and multi-attribute meme
dataset that captures public sentiments toward Singapore's Total Defence
policy. Besides supporting social informatics and public policy analysis of the
Total Defence policy, TotalDefMeme can also support many downstream multi-modal
machine learning tasks, such as aspect-based stance classification and
multi-modal meme clustering. We perform baseline machine learning experiments
on TotalDefMeme and evaluate its technical validity, and present possible
future interdisciplinary research directions and application scenarios using
the dataset as a baseline.
- Abstract（参考訳）: トータル・ディフェンス(Total Defense)は、軍事防衛と民間防衛の概念を組み合わせた防衛政策である。
いくつかの国では防衛政策として全防衛を採っているが、その効果を調査する研究はほとんどない。
ソーシャルメディアの急速な普及とデジタル化に伴い、多くの社会研究は、デジタルメディアまたは伝統的な形態による特別にキュレートされたアンケートやアンケートを通じて、政策の有効性を調査することに焦点が当てられている。
しかし、そのような参照は、対象とする政策や関心のイニシアチブに関する根底にある感情を真に反映していないかもしれない。
フォーラムのトピックスレッドの開始やソーシャルメディアでのミームの共有など,コミュニケーションメディアを使って感情を表現する傾向が強い。
本研究はシンガポールを事例として,シンガポールの防衛政策に対する世論を捉えた大規模マルチモーダル・マルチアトリビュートミームデータセットであるtotaldefmemeを提案することで,この研究のギャップを解決することを目的とする。
トータルディフェンスポリシーの社会情報学と公共政策分析のサポートに加えて、TotalDefMemeはアスペクトベースのスタンス分類やマルチモーダル・ミームクラスタリングといった、下流のマルチモーダル・機械学習タスクもサポートできる。
我々はTotalDefMemeのベースライン機械学習実験を行い、その技術的妥当性を評価し、データセットをベースラインとして将来的な学際研究の方向性と応用シナリオを示す。
関連論文リスト
- Deep Learning Model Inversion Attacks and Defenses: A Comprehensive Survey [17.87419809043218]
モデル反転(MI)攻撃は個人情報のプライバシーと完全性に重大な脅威をもたらす。
本調査は,MI攻撃と防衛戦略について,構造化された詳細な検討を行うことで,文献のギャップを埋めることを目的としている。
本調査と合わせて,MI攻撃・防衛研究を支援する総合リポジトリを開発した。
論文 参考訳（メタデータ） (2025-01-31T07:32:12Z) - Model Inversion Attacks: A Survey of Approaches and Countermeasures [59.986922963781]
近年、新しいタイプのプライバシ攻撃であるモデル反転攻撃(MIA)は、トレーニングのためのプライベートデータの機密性を抽出することを目的としている。
この重要性にもかかわらず、総合的な概要とMIAに関する深い洞察を提供する体系的な研究が欠如している。
本調査は、攻撃と防御の両方において、最新のMIA手法を要約することを目的としている。
論文 参考訳（メタデータ） (2024-11-15T08:09:28Z) - FEDLAD: Federated Evaluation of Deep Leakage Attacks and Defenses [50.921333548391345]
フェデレーテッド・ラーニング(Federated Learning)は、分散型機械学習パラダイムをプライバシ保護するものだ。
近年の研究では、Deep Leakageと呼ばれる勾配技術によって、民間の真実データを復元できることが判明している。
本稿では、Deep Leakage攻撃と防御を評価するための総合的なベンチマークであるFEDLAD Framework(Federated Evaluation of Deep Leakage Attacks and Defenses)を紹介する。
論文 参考訳（メタデータ） (2024-11-05T11:42:26Z) - A Survey of Stance Detection on Social Media: New Directions and Perspectives [50.27382951812502]
姿勢検出は 感情コンピューティングにおける 重要なサブフィールドとして現れました
近年は、効果的な姿勢検出手法の開発に対する研究の関心が高まっている。
本稿では,ソーシャルメディア上での姿勢検出手法に関する包括的調査を行う。
論文 参考訳（メタデータ） (2024-09-24T03:06:25Z) - Privacy Leakage on DNNs: A Survey of Model Inversion Attacks and Defenses [40.77270226912783]
Model Inversion(MI)攻撃は、トレーニングされたモデルへのアクセスを悪用することで、トレーニングデータセットに関するプライベート情報を開示する。
この分野の急速な進歩にもかかわらず、我々は既存のMI攻撃と防衛の包括的かつ体系的な概要を欠いている。
我々は,近年のDeep Neural Networks(DNN)に対する攻撃と防御を,複数のモダリティと学習タスクで詳細に分析し,比較する。
論文 参考訳（メタデータ） (2024-02-06T14:06:23Z) - MAEA: Multimodal Attribution for Embodied AI [18.515215371833186]
差別化可能な政策のモダリティごとのグローバル属性を計算するためのフレームワークであるMAEAを提示する。
言語および視覚的属性に対するEAIポリシーにおいて、属性が低レベルな行動分析を可能にするかを示す。
論文 参考訳（メタデータ） (2023-07-25T22:51:36Z) - Demonstrations of the Potential of AI-based Political Issue Polling [0.0]
そこで我々は,ChatGPTから人間ライクなサーベイ応答を抽出するための迅速なエンジニアリング手法を開発した。
我々は大規模な実験を行い、人間の調査よりもはるかに低コストで何千ものシミュレーションされた応答を問い合わせる。
ChatGPTは,様々な政策問題について,世論の平均レベルと分布の両方を予測するのに有効である。
しかし、人口レベルでの違いを予想することは成功していない。
論文 参考訳（メタデータ） (2023-07-10T12:17:15Z) - Measuring Equality in Machine Learning Security Defenses: A Case Study
in Speech Recognition [56.69875958980474]
この研究は、学習したシステムを守るためのアプローチと、異なるサブ人口間でのセキュリティ防衛がパフォーマンス上の不平等をもたらす方法を検討する。
提案された多くの手法は、虚偽の拒絶やロバストネストレーニングの不平等といった直接的な害を引き起こす可能性がある。
本稿では, ランダム化スムースメントとニューラルリジェクションの2つの防御法の比較を行い, マイノリティ集団のサンプリング機構により, ランダム化スムースメントがより公平であることを見出した。
論文 参考訳（メタデータ） (2023-02-17T16:19:26Z) - Detecting and Understanding Harmful Memes: A Survey [48.135415967633676]
我々は有害なミームに焦点を当てた総合的な調査を行っている。
興味深い発見の1つは、多くの有害ミームが実際には研究されていないことである。
別の観察では、ミームは異なる言語で再パッケージ化することでグローバルに伝播し、多言語化することもできる。
論文 参考訳（メタデータ） (2022-05-09T13:43:27Z) - A Review of Adversarial Attack and Defense for Classification Methods [78.50824774203495]
本稿では,敵対的事例の生成と保護に焦点をあてる。
この論文は、多くの統計学者が、この重要かつエキサイティングな分野において、敵の事例を生成・防御することを奨励するものである。
論文 参考訳（メタデータ） (2021-11-18T22:13:43Z) - Digital Divide: Mapping the geodemographics of internet accessibility
across Great Britain [0.0]
本研究は、イギリスにおけるデジタルアクセシビリティに関する最初の社会デマログラフ尺度を提案する。
デジタルアクセス不能は、インターネットにアクセスできない人や、インターネットをフル活用できない人1000万人に影響を及ぼす。
論文 参考訳（メタデータ） (2021-08-03T08:59:08Z)
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。