Fugu-MT 論文翻訳(概要): Decoding Climate Disagreement: A Graph Neural Network-Based Approach to Understanding Social Media Dynamics

論文の概要: Decoding Climate Disagreement: A Graph Neural Network-Based Approach to Understanding Social Media Dynamics

arxiv url: http://arxiv.org/abs/2407.07038v1
Date: Tue, 9 Jul 2024 17:00:39 GMT
ステータス: 処理完了
システム内更新日: 2024-07-10 17:17:48.505257
Title: Decoding Climate Disagreement: A Graph Neural Network-Based Approach to Understanding Social Media Dynamics
Title（参考訳）: Decoding Climate Disagreement: ソーシャルメディアのダイナミクスを理解するためのグラフニューラルネットワークに基づくアプローチ
Authors: Ruiran Su, Janet B. Pierrehumbert,
Abstract要約: 我々のモデルは、不一致を3つのカテゴリ(同意、同意、反対、中立)に分類する。本研究はグラフベースのNLP手法を進歩させ、気候科学コミュニケーションにおける政策立案者や教育者に対して実用的な洞察を提供する。
参考スコア（独自算出の注目度）: 13.25953054381901
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This work introduces the ClimateSent-GAT Model, an innovative method that integrates Graph Attention Networks (GATs) with techniques from natural language processing to accurately identify and predict disagreements within Reddit comment-reply pairs. Our model classifies disagreements into three categories: agree, disagree, and neutral. Leveraging the inherent graph structure of Reddit comment-reply pairs, the model significantly outperforms existing benchmarks by capturing complex interaction patterns and sentiment dynamics. This research advances graph-based NLP methodologies and provides actionable insights for policymakers and educators in climate science communication.
Abstract（参考訳）: この研究は、グラフ注意ネットワーク(GAT)と自然言語処理のテクニックを統合し、Redditのコメント-返信ペア内の不一致を正確に識別し予測する革新的な手法であるClimateSent-GATモデルを紹介した。我々のモデルは、不一致を3つのカテゴリ(同意、同意、反対、中立)に分類する。 Redditのコメント-返信ペアの固有のグラフ構造を活用することで、複雑なインタラクションパターンと感情ダイナミクスをキャプチャすることで、既存のベンチマークを著しく上回ります。本研究は、グラフに基づくNLP手法を進歩させ、気候科学コミュニケーションにおける政策立案者や教育者に実用的な洞察を提供する。

関連論文リスト

On Discprecncies between Perturbation Evaluations of Graph Neural Network Attributions [49.8110352174327]
我々は、グラフ領域で以前に検討されていない視点から帰属法を評価する:再学習。中心となる考え方は、属性によって識別される重要な(あるいは重要でない)関係でネットワークを再訓練することである。我々は4つの最先端GNN属性法と5つの合成および実世界のグラフ分類データセットについて分析を行った。
論文参考訳（メタデータ） (2024-01-01T02:03:35Z)
Towards Graph Foundation Models: A Survey and Beyond [66.37994863159861]
ファンデーションモデルは、さまざまな人工知能アプリケーションにおいて重要なコンポーネントとして現れてきた。基礎モデルがグラフ機械学習研究者を一般化し、適応させる能力は、新しいグラフ学習パラダイムを開発する可能性について議論する。本稿では,グラフ基礎モデル(GFM)の概念を紹介し,その重要な特徴と基礎技術について概説する。
論文参考訳（メタデータ） (2023-10-18T09:31:21Z)
Linear Opinion Dynamics Model with Higher-Order Interactions [17.413930396663833]
グラフ上の意見ダイナミクスをハイパーグラフに拡張するために、人気のあるFriedkin-Johnsenモデルを拡張する。我々は、高次相互作用が意見力学において重要な役割を果たすことを示した。
論文参考訳（メタデータ） (2023-10-09T12:56:11Z)
CADGE: Context-Aware Dialogue Generation Enhanced with Graph-Structured Knowledge Aggregation [25.56539617837482]
コンテキスト対応グラフアテンションモデル(Context-aware GAT)を提案する。これは、コンテキスト強化された知識集約機構を通じて、関連する知識グラフからグローバルな特徴を同化する。実験により,本フレームワークは従来のGNNベース言語モデルよりも性能が優れていることが示された。
論文参考訳（メタデータ） (2023-05-10T16:31:35Z)
Local Edge Dynamics and Opinion Polarization [17.613690272861053]
局所的なエッジダイナミクスが意見の偏光をいかに引き起こすかを研究する。簡単な時間進化型ネットワークモデルで拡張した古典的Friedkin-Johnsen意見力学の変種を導入する。このモデルが理論的解析に適していることを示し、これらの局所力学が意見グループ間の接続を損なう理由を説明するのに役立ちます。
論文参考訳（メタデータ） (2021-11-28T01:59:57Z)
Directed Acyclic Graph Network for Conversational Emotion Recognition [12.191046814462853]
本稿では,会話中の固有構造をより良くモデル化するために,有向非巡回グラフ(DAG)を用いて発話を符号化する新しいアイデアを提案する。 DAG-ERCは、長距離会話の背景と近くのコンテキストの間の情報の流れをモデル化する、より直感的な方法を提供する。比較のためのベースラインとして,最先端のモデルを用いた4つのERCベンチマークで実験を行った。
論文参考訳（メタデータ） (2021-05-27T01:51:37Z)
TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
論文参考訳（メタデータ） (2021-05-17T15:33:25Z)
Interaction-GCN: a Graph Convolutional Network based framework for social interaction recognition in egocentric videos [6.708125191843434]
我々は、エゴセントリックなビデオにおけるソーシャルインタラクションを分類する新しいフレームワーク、InteractionGCNを提案する。本手法はフレームレベルで関係的および非関係的手がかりのパターンを抽出し、グラフ畳み込みネットワークに基づくアプローチにより相互作用的文脈を推定する関係グラフを構築する。
論文参考訳（メタデータ） (2021-04-28T20:25:40Z)
Unified Graph Structured Models for Video Understanding [93.72081456202672]
リレーショナル・テンポラル関係を明示的にモデル化するメッセージパッシンググラフニューラルネットワークを提案する。本手法は,シーン内の関連エンティティ間の関係をより効果的にモデル化できることを示す。
論文参考訳（メタデータ） (2021-03-29T14:37:35Z)
Interpretable Signed Link Prediction with Signed Infomax Hyperbolic Graph [54.03786611989613]
ソーシャルネットワークにおけるサイン付きリンク予測は、ユーザ(すなわちノード)間の基盤となる関係(リンク)を明らかにすることを目的としている我々は Signed Infomax Hyperbolic Graph (textbfSIHG) と呼ばれる統一されたフレームワークを開発する。高次ユーザ関係と複雑な階層をモデル化するために、ノードの埋め込みを投影し、より低歪みの双曲空間で測定する。
論文参考訳（メタデータ） (2020-11-25T05:09:03Z)
Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。