論文の概要: Analyzing Textual Data for Fatality Classification in Afghanistan's
Armed Conflicts: A BERT Approach
- arxiv url: http://arxiv.org/abs/2310.08653v1
- Date: Thu, 12 Oct 2023 18:26:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-16 16:07:43.832369
- Title: Analyzing Textual Data for Fatality Classification in Afghanistan's
Armed Conflicts: A BERT Approach
- Title（参考訳）: アフガニスタンの武装紛争における人種分類のためのテキストデータの分析:BERTアプローチ
- Authors: Hikmatullah Mohammadi, Ziaullah Momand, Parwin Habibi, Nazifa Ramaki,
Bibi Storay Fazli, Sayed Zobair Rohany, Iqbal Samsoor
- Abstract要約: 我々は、最先端の機械学習技術を活用して、アフガニスタンの武装紛争を、テキストによる記述に基づいて致命的または非致命的に分類する。
提案手法は,自然言語処理における最先端言語表現モデルであるBERT(Bidirectional Representations from Transformers)のパワーを利用する。
このモデルは98.8%の精度、98.05%のリコール、99.6%の精度、そしてF1スコア98.82%の精度で、テストセットで素晴らしい性能を達成した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Afghanistan has witnessed many armed conflicts throughout history, especially
in the past 20 years; these events have had a significant impact on human
lives, including military and civilians, with potential fatalities. In this
research, we aim to leverage state-of-the-art machine learning techniques to
classify the outcomes of Afghanistan armed conflicts to either fatal or
non-fatal based on their textual descriptions provided by the Armed Conflict
Location & Event Data Project (ACLED) dataset. The dataset contains
comprehensive descriptions of armed conflicts in Afghanistan that took place
from August 2021 to March 2023. The proposed approach leverages the power of
BERT (Bidirectional Encoder Representations from Transformers), a cutting-edge
language representation model in natural language processing. The classifier
utilizes the raw textual description of an event to estimate the likelihood of
the event resulting in a fatality. The model achieved impressive performance on
the test set with an accuracy of 98.8%, recall of 98.05%, precision of 99.6%,
and an F1 score of 98.82%. These results highlight the model's robustness and
indicate its potential impact in various areas such as resource allocation,
policymaking, and humanitarian aid efforts in Afghanistan. The model indicates
a machine learning-based text classification approach using the ACLED dataset
to accurately classify fatality in Afghanistan armed conflicts, achieving
robust performance with the BERT model and paving the way for future endeavors
in predicting event severity in Afghanistan.
- Abstract（参考訳）: アフガニスタンは歴史上、特に過去20年間に多くの武力衝突を目撃してきた。
本研究では、現在最先端の機械学習技術を活用し、アフガニスタンの武装紛争の結果を、Armed Conflict Location & Event Data Project(ACLED)データセットが提供するテキスト記述に基づいて、致命的または非致命的のいずれかに分類することを目的とする。
このデータセットには、2021年8月から2023年3月までのアフガニスタンにおける武装紛争の包括的記述が含まれている。
提案手法は,自然言語処理における最先端言語表現モデルであるBERT(Bidirectional Encoder Representations from Transformers)のパワーを利用する。
分類器は、イベントの生のテキスト記述を利用して、イベントの死亡率を推定する。
このモデルは98.8%の精度、98.05%のリコール、99.6%の精度、98.82%のf1スコアで印象的な性能を達成した。
これらの結果は、アフガニスタンにおける資源配分、政策立案、人道支援など、さまざまな分野におけるモデルの有効性を浮き彫りにしている。
このモデルは、ACLEDデータセットを用いた機械学習ベースのテキスト分類アプローチを示し、アフガニスタンの武装紛争における死亡率を正確に分類し、BERTモデルによる堅牢なパフォーマンスを達成し、アフガニスタンにおける出来事の深刻度を予測するための将来の取り組みの道を開く。
関連論文リスト
- Getting Sick After Seeing a Doctor? Diagnosing and Mitigating Knowledge Conflicts in Event Temporal Reasoning [87.92209048521153]
出来事の時間的推論は、物語から2つ以上の出来事の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) - ASPEST: Bridging the Gap Between Active Learning and Selective
Prediction [56.001808843574395]
選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。
アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。
本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
論文 参考訳（メタデータ） (2023-04-07T23:51:07Z) - An Ordinal Latent Variable Model of Conflict Intensity [59.49424978353101]
ゴールドスタインスケール(Goldstein scale)は、紛争・協力的なスケールでイベントをスコアする、広く使われている専門家ベースの尺度である。
本稿では、競合強度を測定するために、潜伏変数に基づくアプローチをとる。
論文 参考訳（メタデータ） (2022-10-08T08:59:17Z) - Predicting Terrorist Attacks in the United States using Localized News
Data [13.164412455321907]
テロは世界中で大きな問題であり、毎年数千人の死者と数十億ドルの損害をもたらしている。
我々は、特定の日時と特定の状況でテロ攻撃が起こるかどうかを予測するために、ローカルニュースデータから学習する機械学習モデルを提示する。
最高のモデルであるランダムフォレスト(Random Forest)は、2015年から2018年の間に最もテロの影響を受けていた5州のうち4州で、特徴空間の新たな変動長移動平均表現から学ぶ。
論文 参考訳（メタデータ） (2022-01-12T03:56:15Z) - Spatio-temporal extreme event modeling of terror insurgencies [0.7874708385247353]
本稿では,不均一な強度をトリガー関数として記述した攻撃に対する自己励振モデルを提案する。
このモデルのパラメータを推定することにより、攻撃が起こる可能性のある特定の時空領域に焦点を当てる。
我々は,2019-2021年の攻撃の強さを予測できることを示す。
論文 参考訳（メタデータ） (2021-10-15T20:50:24Z) - Explainable Event Recognition [5.103059984821972]
本稿では,Grad-CAMとXceptionアーキテクチャに基づくCNNモデルに基づく,説明可能なイベント認識フレームワークを提案する。
自然災害、社会、スポーツイベントの多種多様なセットをカバーする3つの大規模なデータセットで実験を行う。
論文 参考訳（メタデータ） (2021-10-02T08:40:33Z) - Delving into Data: Effectively Substitute Training for Black-box Attack [84.85798059317963]
本稿では,知識盗むプロセスで使用されるデータの分散設計に焦点をあてた,新しい視点代替トレーニングを提案する。
これら2つのモジュールの組み合わせにより、代替モデルとターゲットモデルの一貫性がさらに向上し、敵攻撃の有効性が大幅に向上する。
論文 参考訳（メタデータ） (2021-04-26T07:26:29Z) - Assessing Post-Disaster Damage from Satellite Imagery using
Semi-Supervised Learning Techniques [15.264481724699456]
本稿では,損傷評価のためのトレーニングモデルに対する半教師付き学習(SSL)の新たな応用について述べる。
我々は、MixMatchやFixMatchといった最先端のSSLメソッドのパフォーマンスを、2010年のハイチ地震、2017年のサンタローザ山火事、2016年のシリアにおける武装紛争の監視ベースラインと比較する。
ラベル付きデータが少ないにもかかわらず、SSLメソッドでトレーニングされたモデルが完全に教師付きパフォーマンスを実現する方法を示す。
論文 参考訳（メタデータ） (2020-11-24T22:26:14Z) - Monitoring War Destruction from Space: A Machine Learning Approach [1.0149624140985478]
紛争地帯における建物破壊に関する既存のデータは、目撃者の報告や手動による検出に依存している。
本稿では,ディープラーニング技術を用いた高解像度衛星画像の自動破壊計測手法を提案する。
我々は、シリア内戦と国内の主要都市における被害の進展にこの方法を適用した。
論文 参考訳（メタデータ） (2020-10-12T19:01:20Z) - Cross-lingual Transfer Learning for COVID-19 Outbreak Alignment [90.12602012910465]
われわれは、Twitterを通じてイタリアの新型コロナウイルス感染症(COVID-19)の早期流行を訓練し、他のいくつかの国に移る。
実験の結果,クロスカントリー予測において最大0.85のスピアマン相関が得られた。
論文 参考訳（メタデータ） (2020-06-05T02:04:25Z) - When and How to Lift the Lockdown? Global COVID-19 Scenario Analysis and
Policy Assessment using Compartmental Gaussian Processes [111.69190108272133]
新型コロナウイルス(COVID-19)の世界的な感染拡大を受け、多くの国が前例のないロックダウン措置を講じている。
さまざまなロックダウンポリシーシナリオの下で、新型コロナウイルスの死亡率を予測するデータ駆動モデルが不可欠だ。
本稿では,グローバルな状況下での新型コロナウイルスロックダウンポリシーの効果を予測するためのベイズモデルを開発する。
論文 参考訳（メタデータ） (2020-05-13T18:21:50Z)
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。