論文の概要: Graph Language Model (GLM): A new graph-based approach to detect social instabilities

• arxiv url: http://arxiv.org/abs/2403.17816v1
• Date: Tue, 26 Mar 2024 15:53:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-27 14:47:26.829010
• Title: Graph Language Model (GLM): A new graph-based approach to detect social instabilities
• Title（参考訳）: グラフ言語モデル(GLM):社会的不安定性を検出する新しいグラフベースのアプローチ
• Authors: Wallyson Lemes de Oliveira, Vahid Shamsaddini, Ali Ghofrani, Rahul Singh Inda, Jithendra Sai Veeramaneni, Étienne Voutaz,
• Abstract要約: 本稿では,ニュースデータセットを用いた重要な政治事象の早期予測手法を提案する。 この手法は自然言語処理、グラフ理論、斜め解析、意味的関係を利用して隠れた予測信号を明らかにする。
• 参考スコア（独自算出の注目度）: 0.7037008937757394
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This scientific report presents a novel methodology for the early prediction of important political events using News datasets. The methodology leverages natural language processing, graph theory, clique analysis, and semantic relationships to uncover hidden predictive signals within the data. Initially, we designed a preliminary version of the method and tested it on a few events. This analysis revealed limitations in the initial research phase. We then enhanced the model in two key ways: first, we added a filtration step to only consider politically relevant news before further processing; second, we adjusted the input features to make the alert system more sensitive to significant spikes in the data. After finalizing the improved methodology, we tested it on eleven events including US protests, the Ukraine war, and French protests. Results demonstrate the superiority of our approach compared to baseline methods. Through targeted refinements, our model can now provide earlier and more accurate predictions of major political events based on subtle patterns in news data.
• Abstract（参考訳）: 本稿では,ニュースデータセットを用いた重要な政治事象の早期予測手法を提案する。 この手法は自然言語処理、グラフ理論、斜め解析、意味的関係を利用して、データ内の隠れた予測信号を明らかにする。 当初、私たちはメソッドの予備バージョンを設計し、いくつかのイベントでテストしました。 この分析は、初期の研究段階における限界を明らかにした。 次に、モデルを2つの重要な方法で強化しました。まず、さらに処理する前に、政治的に関係のあるニュースのみを考慮するためのフィルタリングステップを追加し、次に、入力機能を調整して、アラートシステムがデータ内の重要なスパイクに対してより敏感になるようにしました。 改善された方法論を確定した後、米国の抗議活動、ウクライナ戦争、フランスの抗議活動を含む11のイベントでテストしました。 その結果,ベースライン法と比較して,本手法の優位性を示した。 対象とする改善によって、我々のモデルはニュースデータの微妙なパターンに基づいて、主要な政治事象のより早く、より正確な予測を行うことができる。

関連論文リスト

• Posterior Sampling via Autoregressive Generation [11.713451719120707]
  本稿では,大規模な履歴データから帯域幅アルゴリズムを学習するための新しいフレームワークを提案する。 我々は、過去のデータを用いて自己回帰モデルを事前訓練し、繰り返しのフィードバック/リワードのシーケンスを予測する。 意思決定時には、各アクションに対して想像された報酬の列を自動で(インプット)サンプリングし、最大平均的な報酬でアクションを選択する。
  論文  参考訳（メタデータ） (2024-05-29T19:24:44Z)
• Challenges in Pre-Training Graph Neural Networks for Context-Based Fake News Detection: An Evaluation of Current Strategies and Resource Limitations [1.9870554622325414]
  本稿では,文脈に基づく偽ニュース検出の分野において,グラフニューラルネットワーク(GNN)の事前学習を適用することを提案する。 本実験は,グラフに基づく誤情報検出のための事前学習手法の評価を行う。 現在の大きな問題は、事前トレーニングに使用できる適切な大規模リソースの欠如である、と私たちは主張する。
  論文  参考訳（メタデータ） (2024-02-28T09:10:25Z)
• Anticipated Network Surveillance -- An extrapolated study to predict cyber-attacks using Machine Learning and Data Analytics [0.0]
  本稿では、複数のデータパラメータに基づいて、ネットワークにおける今後の攻撃を予測する新しい手法について論じる。 提案するモデルは,データセットの事前処理とトレーニング,続いてテストフェーズで構成される。 テストフェーズの結果に基づいて、攻撃につながる可能性のあるイベントクラスを抽出したベストモデルが選択される。
  論文  参考訳（メタデータ） (2023-12-27T01:09:11Z)
• 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)
• Early Warning Signals of Social Instabilities in Twitter Data [0.42816770420595307]
  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。
  論文  参考訳（メタデータ） (2023-03-03T11:18:02Z)
• Panning for gold: Lessons learned from the platform-agnostic automated detection of political content in textual data [48.7576911714538]
  異なるプラットフォーム間で政治的コンテンツを検出するために、これらの技術がどのように使用できるかについて議論する。 辞書,教師付き機械学習,ニューラルネットワークに依存する3つの検出手法のパフォーマンスを比較した。 この結果から,ニューラルネットワークと機械学習に基づくモデルによって達成されるノイズの少ないデータに対して,事前処理がモデル性能に与える影響が限定された。
  論文  参考訳（メタデータ） (2022-07-01T15:23:23Z)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• A Generative Language Model for Few-shot Aspect-Based Sentiment Analysis [90.24921443175514]
  我々は、アスペクト項、カテゴリを抽出し、対応する極性を予測するアスペクトベースの感情分析に焦点を当てる。 本稿では,一方向の注意を伴う生成言語モデルを用いて,抽出タスクと予測タスクをシーケンス生成タスクに再構成することを提案する。 提案手法は,従来の最先端(BERTをベースとした)の性能を,数ショットとフルショットの設定において,大きなマージンで上回ります。
  論文  参考訳（メタデータ） (2022-04-11T18:31:53Z)
• Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
  グラフ表現と学習を伴う新しい学習パラダイムを提案する。 本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
  論文  参考訳（メタデータ） (2021-10-09T09:02:45Z)
• Reinforcement Learning-based Black-Box Evasion Attacks to Link Prediction in Dynamic Graphs [87.5882042724041]
  動的グラフ(LPDG)におけるリンク予測は、多様な応用を持つ重要な研究課題である。 我々は,LPDG法の脆弱性を調査し,最初の実用的なブラックボックス回避攻撃を提案する。
  論文  参考訳（メタデータ） (2020-09-01T01:04:49Z)
• Embed2Detect: Temporally Clustered Embedded Words for Event Detection in Social Media [1.7205106391379026]
  ワード埋め込みの採用により、Embed2Detectは強力なセマンティック機能をイベント検出に組み込むことができる。 以上の結果から,Embed2Detectは効率的かつ効率的なイベント検出が可能であることが示唆された。
  論文  参考訳（メタデータ） (2020-06-10T15:52:52Z)

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。