論文の概要: Enhanced Elephant Herding Optimization for Large Scale Information Access on Social Media
- arxiv url: http://arxiv.org/abs/2406.11916v1
- Date: Sun, 16 Jun 2024 21:48:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-20 00:46:12.070191
- Title: Enhanced Elephant Herding Optimization for Large Scale Information Access on Social Media
- Title（参考訳）: ソーシャルメディアにおける大規模情報アクセスのためのエレファントヘルディング最適化
- Authors: Yassine Drias, Habiba Drias, Ilyes Khennak,
- Abstract要約: 本稿では,情報採集理論 (IFT) とゾウ群集最適化 (EHO) に触発された新しい情報アクセス手法を提案する。
まず,IFTに基づくソーシャルメディア情報アクセスモデルを提案する。
次に、元のEHOアルゴリズムを応用して情報アクセス問題に適用する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this article, we present a novel information access approach inspired by the information foraging theory (IFT) and elephant herding optimization (EHO). First, we propose a model for information access on social media based on the IFT. We then elaborate an adaptation of the original EHO algorithm to apply it to the information access problem. The combination of the IFT and EHO constitutes a good opportunity to find relevant information on social media. However, when dealing with voluminous data, the performance undergoes a sharp drop. To overcome this issue, we developed an enhanced version of EHO for large scale information access. We introduce new operators to the algorithm, including territories delimitation and clan migration using clustering. To validate our work, we created a dataset of more than 1.4 million tweets, on which we carried out extensive experiments. The outcomes reveal the ability of our approach to find relevant information in an effective and efficient way. They also highlight the advantages of the improved version of EHO over the original algorithm regarding different aspects. Furthermore, we undertook a comparative study with two other metaheuristic-based information foraging approaches, namely ant colony system and particle swarm optimization. Overall, the results are very promising.
- Abstract（参考訳）: 本稿では,情報採集理論 (IFT) とゾウ群集最適化 (EHO) に触発された新しい情報アクセス手法を提案する。
まず,IFTに基づくソーシャルメディア情報アクセスモデルを提案する。
次に、元のEHOアルゴリズムを応用して情報アクセス問題に適用する。
IFTとEHOの組み合わせは、ソーシャルメディアで関連する情報を見つける良い機会となっている。
しかし、揮発性データを扱う場合、性能は急降下する。
この問題を克服するため,大規模情報アクセスのための拡張版EHOを開発した。
本稿では,クラスタリングを用いた領域分割と集団移動を含む,新しい演算子をアルゴリズムに導入する。
作業を検証するために、140万以上のツイートのデータセットを作成し、大規模な実験を行った。
これらの結果から,本手法が有効かつ効率的な方法で関連情報を見つける能力を明らかにした。
彼らはまた、異なる側面に関する元のアルゴリズムよりも改良されたEHOの利点を強調した。
さらに,他の2つのメタヒューリスティック情報利用手法,すなわちアリコロニーシステムと粒子群最適化との比較を行った。
全体として、結果は有望だ。
関連論文リスト
- KBAlign: Efficient Self Adaptation on Specific Knowledge Bases [75.78948575957081]
大規模言語モデル(LLM)は通常、知識材料を瞬時に活用するために、検索強化世代に依存している。
本稿では,知識ベースを含む下流タスクへの効率的な適応を目的としたKBAlignを提案する。
提案手法は,Q&Aペアやリビジョン提案などの自己注釈付きデータを用いて反復学習を行い,モデルが知識内容を効率的に把握できるようにする。
論文 参考訳（メタデータ） (2024-11-22T08:21:03Z) - Acoustic Model Optimization over Multiple Data Sources: Merging and Valuation [13.009945735929445]
本稿では,音声認識分野の課題を解くための新しいパラダイムを提案する。
最初の段階では、完全な音声データの異なるサブセットに基づいて複数の音響モデルを訓練する。
第2段階では、2つの新しいアルゴリズムを用いて高品質な音響モデルを生成する。
論文 参考訳（メタデータ） (2024-10-21T03:48:23Z) - Optima: Optimizing Effectiveness and Efficiency for LLM-Based Multi-Agent System [75.25394449773052]
大規模言語モデル (LLM) に基づくマルチエージェントシステム (MAS) は協調的問題解決において顕著な可能性を示している。
通信効率の低下、スケーラビリティの低下、効果的なパラメータ更新方法の欠如などです。
本稿では,コミュニケーション効率とタスク効率を両立させ,これらの課題に対処する新しいフレームワークOptimaを提案する。
論文 参考訳（メタデータ） (2024-10-10T17:00:06Z) - Leveraging Variation Theory in Counterfactual Data Augmentation for Optimized Active Learning [19.962212551963383]
アクティブラーニング(AL)は、モデルがユーザフィードバックからインタラクティブに学習することを可能にする。
本稿では,ALに反実データ拡張手法を提案する。
論文 参考訳（メタデータ） (2024-08-07T14:55:04Z) - Aligning Large Language Models with Self-generated Preference Data [72.99676237703099]
大規模言語モデル(LLM)と人間の嗜好との整合性を高める新しいフレームワークを提案する。
私たちのキーとなるアイデアは、小さな(種)データの中で人間の事前知識を活用することです。
本稿では,ノイズ認識型選好学習アルゴリズムを導入し,生成した選好データにおける品質低下のリスクを軽減する。
論文 参考訳（メタデータ） (2024-06-06T18:01:02Z) - Opinion mining using Double Channel CNN for Recommender System [0.0]
深層学習モデルを用いた感情分析のアプローチを提案し,それを製品に推奨する。
意見マイニングには2チャネル畳み込みニューラルネットワークモデルが使用されており、5つのレイヤを持ち、データから重要な特徴を抽出する。
提案手法の精度は91.6%に達し, 従来のアスペクトベース手法に比べて有意に向上した。
論文 参考訳（メタデータ） (2023-07-15T13:11:18Z) - Area of interest adaption using feature importance [1.4469849628263638]
我々は、関心領域(AOI)または関心領域(ROI)を視線追跡データ品質と分類タスクに適応させる2つのアプローチとアルゴリズムを提案する。
最初のアプローチでは、機能の重要性を欲張りの方法で使い、あらゆる方向にAOIを成長または縮小します。
第2のアプローチは、AOIを領域に分割し、成長の方向を計算する、第1のアプローチの拡張である。
論文 参考訳（メタデータ） (2023-03-03T07:49:10Z) - Improving Few-Shot Generalization by Exploring and Exploiting Auxiliary
Data [100.33096338195723]
補助データを用いたFew-shot Learning(FLAD)に焦点を当てる。
FLADは、一般化を改善するために、数ショットの学習中に補助データへのアクセスを前提としている。
提案するアルゴリズムは EXP3-FLAD と UCB1-FLAD の2つである。
論文 参考訳（メタデータ） (2023-02-01T18:59:36Z) - Bi-level Alignment for Cross-Domain Crowd Counting [113.78303285148041]
現在の手法は、補助的なタスクを訓練したり、高価な粗大な見積もりを適用したりするための外部データに依存している。
そこで我々は, 簡易かつ効率的に適用可能な, 逆学習に基づく新しい手法を開発した。
実世界の5つのクラウドカウントベンチマークに対するアプローチを評価し、既存のアプローチを大きなマージンで上回ります。
論文 参考訳（メタデータ） (2022-05-12T02:23:25Z) - DecAug: Augmenting HOI Detection via Decomposition [54.65572599920679]
現在のアルゴリズムでは、データセット内のトレーニングサンプルやカテゴリの不均衡が不足している。
本稿では,HOI検出のためのDECAugと呼ばれる効率的かつ効率的なデータ拡張手法を提案する。
実験の結果,V-COCOおよびHICODETデータセットの3.3mAPと1.6mAPの改善が得られた。
論文 参考訳（メタデータ） (2020-10-02T13:59:05Z)
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。