論文の概要: A Machine Learning Ensemble Model for the Detection of Cyberbullying
- arxiv url: http://arxiv.org/abs/2402.12538v1
- Date: Mon, 19 Feb 2024 20:55:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-21 18:13:31.223184
- Title: A Machine Learning Ensemble Model for the Detection of Cyberbullying
- Title（参考訳）: サイバーいじめ検出のための機械学習アンサンブルモデル
- Authors: Abulkarim Faraj Alqahtani and Mohammad Ilyas
- Abstract要約: 本稿では,攻撃的ツイートのバイナリラベルを検出する自動システムの開発に寄与する。
そこで我々は,4つの特徴抽出手法を用いて,積み重ねアンサンブル機械学習手法を適用し,性能を最適化した。
- 参考スコア（独自算出の注目度）: 0.32634122554913997
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: The pervasive use of social media platforms, such as Facebook, Instagram, and
X, has significantly amplified our electronic interconnectedness. Moreover,
these platforms are now easily accessible from any location at any given time.
However, the increased popularity of social media has also led to
cyberbullying.It is imperative to address the need for finding, monitoring, and
mitigating cyberbullying posts on social media platforms. Motivated by this
necessity, we present this paper to contribute to developing an automated
system for detecting binary labels of aggressive tweets.Our study has
demonstrated remarkable performance compared to previous experiments on the
same dataset. We employed the stacking ensemble machine learning method,
utilizing four various feature extraction techniques to optimize performance
within the stacking ensemble learning framework. Combining five machine
learning algorithms,Decision Trees, Random Forest, Linear Support Vector
Classification, Logistic Regression, and K-Nearest Neighbors into an ensemble
method, we achieved superior results compared to traditional machine learning
classifier models. The stacking classifier achieved a high accuracy rate of
94.00%, outperforming traditional machine learning models and surpassing the
results of prior experiments that utilized the same dataset. The outcomes of
our experiments showcased an accuracy rate of 0.94% in detection tweets as
aggressive or non-aggressive.
- Abstract（参考訳）: Facebook、Instagram、Xといったソーシャルメディアプラットフォームの普及は、我々の電子的相互接続性を著しく増幅した。
さらに、これらのプラットフォームはいつでも任意の場所から簡単にアクセスできます。
しかし、ソーシャルメディアの人気が高まっているため、ソーシャルメディアプラットフォーム上でのサイバーいじめの投稿の発見、監視、緩和の必要性に対処する必要がある。
そこで本研究では,この必要性に動機づけられ,攻撃的ツイートのバイナリラベルを自動検出するシステムの開発に寄与する。
そこで我々は,スタックングアンサンブル機械学習手法を用いて,スタックングアンサンブル学習フレームワークの性能を最適化する4つの特徴抽出手法を開発した。
5つの機械学習アルゴリズム、決定木、ランダムフォレスト、線形サポートベクトル分類、ロジスティック回帰、K-Nearest Neighborsをアンサンブルに組み合わせ、従来の機械学習分類モデルと比較して優れた結果を得た。
スタッキング分類器は94.00%の精度を達成し、従来の機械学習モデルを上回っ、同じデータセットを使用した以前の実験結果を上回った。
実験の結果,攻撃的あるいは非攻撃的として検出ツイートの0.94%の精度を示した。
関連論文リスト
- On the Cross-Dataset Generalization of Machine Learning for Network
Intrusion Detection [50.38534263407915]
ネットワーク侵入検知システム(NIDS)はサイバーセキュリティの基本的なツールである。
多様なネットワークにまたがる一般化能力は、その有効性と現実のアプリケーションにとって必須の要素である。
本研究では,機械学習に基づくNIDSの一般化に関する包括的分析を行う。
論文 参考訳（メタデータ） (2024-02-15T14:39:58Z) - Harnessing the Power of Text-image Contrastive Models for Automatic
Detection of Online Misinformation [50.46219766161111]
誤情報識別の領域における構成的学習を探求する自己学習モデルを構築した。
本モデルでは、トレーニングデータが不十分な場合、非マッチング画像-テキストペア検出の優れた性能を示す。
論文 参考訳（メタデータ） (2023-04-19T02:53:59Z) - Fake News Identification using Machine Learning Algorithms Based on
Graph Features [0.0]
本研究の目的は,グラフと機械学習アルゴリズムを用いて偽ニュースを識別するモデルを構築することである。
フェイクニュースを効果的に予測し、フェイクニュースによる潜在的なネガティブな社会的影響を防止し、機械学習モデルのためのグラフ機能選択に関する新たな視点を提供する。
論文 参考訳（メタデータ） (2022-08-22T22:42:57Z) - ALBench: A Framework for Evaluating Active Learning in Object Detection [102.81795062493536]
本稿では、オブジェクト検出におけるアクティブラーニングを評価するために、ALBenchという名前のアクティブラーニングベンチマークフレームワークをコントリビュートする。
自動深層モデルトレーニングシステム上で開発されたこのALBenchフレームワークは、使いやすく、さまざまなアクティブな学習アルゴリズムと互換性があり、同じトレーニングおよびテストプロトコルを保証する。
論文 参考訳（メタデータ） (2022-07-27T07:46:23Z) - Heterogeneous Ensemble Learning for Enhanced Crash Forecasts -- A
Frequentest and Machine Learning based Stacking Framework [0.803552105641624]
本研究では,都市および郊外の5車線未分割セグメント(5T)の衝突頻度をモデル化するために,重要なHEM手法の1つ,スタックリングを適用した。
Stackingの予測性能は、パラメトリック統計モデル(Poissonと負二項法)と機械学習技術の3つの状態(決定木、ランダム森林、勾配上昇)と比較される。
論文 参考訳（メタデータ） (2022-07-21T19:15:53Z) - Revisiting Classifier: Transferring Vision-Language Models for Video
Recognition [102.93524173258487]
ダウンストリームタスクのためのタスク非依存の深層モデルから知識を伝達することは、コンピュータビジョン研究において重要なトピックである。
本研究では,映像分類作業における知識の伝達に着目した。
予測された言語モデルを用いて、効率的な翻訳学習のための適切なセマンティックターゲットを生成する。
論文 参考訳（メタデータ） (2022-07-04T10:00:47Z) - Intrusion Detection: Machine Learning Baseline Calculations for Image
Classification [0.0]
サイバーセキュリティは、機械学習の適用によって強化できる。
最も期待できる候補は、ライトマシン、ランダムフォレストブースト、エクストラツリーズである。
論文 参考訳（メタデータ） (2021-11-03T17:49:38Z) - ALT-MAS: A Data-Efficient Framework for Active Testing of Machine
Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。
ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文 参考訳（メタデータ） (2021-04-11T12:14:04Z) - Text Classification Using Hybrid Machine Learning Algorithms on Big Data [0.0]
本研究では,2つの教師付き機械学習アルゴリズムとテキストマイニング技術を組み合わせてハイブリッドモデルを生成する。
その結果、ハイブリッドモデルはそれぞれ61.45%と69.21%のNa"ive BayesとSVMモデルに対して96.76%の精度を示した。
論文 参考訳（メタデータ） (2021-03-30T19:02:48Z) - Adversarial Self-Supervised Contrastive Learning [62.17538130778111]
既存の対数学習アプローチは、主にクラスラベルを使用して、誤った予測につながる対数サンプルを生成する。
本稿では,未ラベルデータに対する新たな逆攻撃を提案する。これにより,モデルが摂動データサンプルのインスタンスレベルのアイデンティティを混乱させる。
ラベル付きデータなしで頑健なニューラルネットワークを逆さまにトレーニングするための,自己教師付きコントラスト学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-13T08:24:33Z) - Performance Analysis and Comparison of Machine and Deep Learning
Algorithms for IoT Data Classification [0.0]
本稿では,6つのIoT関連データセットを用いた分類タスクにおいて,11の一般的な機械学習アルゴリズムとディープラーニングアルゴリズムの性能評価を行う。
すべてのパフォーマンス指標を考慮すると、Random Forestsは他の機械学習モデルよりも優れており、ディープラーニングモデルのうち、ANNとCNNはより興味深い結果を得た。
論文 参考訳（メタデータ） (2020-01-27T09:14:11Z)
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。