論文の概要: Interactive Event Sifting using Bayesian Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2410.05359v1
• Date: Mon, 7 Oct 2024 16:28:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-01 19:07:22.212725
• Title: Interactive Event Sifting using Bayesian Graph Neural Networks
• Title（参考訳）: ベイジアングラフニューラルネットワークを用いた対話型イベントシフティング
• Authors: José Nascimento, Nathan Jacobs, Anderson Rocha,
• Abstract要約: この研究は、衛生を自動化するイベント中心の学習ベースのマルチモーダル分類モデルをトレーニングするためのインタラクティブなプロセスを導入する。 ベイズグラフニューラルネットワーク(BGNN)に基づく手法を提案し、アクティブラーニングと擬似ラベルの定式化を評価し、分析者が手動でアノテートしなければならないポスト数を減少させる。
• 参考スコア（独自算出の注目度）: 20.9835974435447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Forensic analysts often use social media imagery and texts to understand important events. A primary challenge is the initial sifting of irrelevant posts. This work introduces an interactive process for training an event-centric, learning-based multimodal classification model that automates sanitization. We propose a method based on Bayesian Graph Neural Networks (BGNNs) and evaluate active learning and pseudo-labeling formulations to reduce the number of posts the analyst must manually annotate. Our results indicate that BGNNs are useful for social-media data sifting for forensics investigations of events of interest, the value of active learning and pseudo-labeling varies based on the setting, and incorporating unlabelled data from other events improves performance.
• Abstract（参考訳）: 法医学アナリストは、しばしば重要な出来事を理解するためにソーシャルメディアの画像とテキストを使用する。 一番の課題は、無関係なポストを最初に切り捨てることです。 この研究は、衛生を自動化するイベント中心の学習ベースのマルチモーダル分類モデルをトレーニングするためのインタラクティブなプロセスを導入する。 ベイズグラフニューラルネットワーク(BGNN)に基づく手法を提案し、アクティブラーニングと擬似ラベルの定式化を評価し、分析者が手動でアノテートしなければならないポスト数を減少させる。 この結果から,BGNNは興味のある事象を調査するためのソーシャルメディアデータシフティングに有用であることが示唆された。

関連論文リスト

• Initial Study into Application of Feature Density and Linguistically-backed Embedding to Improve Machine Learning-based Cyberbullying Detection [54.83707803301847]
  この研究は、自動サイバーバブル検出に関するKaggleコンペティションで提供されたFormspringデータセットで実施された。 本研究は,サイバブリング検出におけるニューラルネットワークの有効性と分類器性能と特徴密度の相関性を確認した。
  論文  参考訳（メタデータ） (2022-06-04T03:17:15Z)
• Budget-aware Few-shot Learning via Graph Convolutional Network [56.41899553037247]
  本稿では,いくつかの例から新しい視覚概念を学習することを目的とした,数ショット学習の課題に取り組む。 数ショット分類における一般的な問題設定は、データラベルの取得においてランダムサンプリング戦略を前提としている。 そこで我々は,新しい対象カテゴリーの学習を目的とした,予算に配慮した数発の学習問題を新たに導入する。
  論文  参考訳（メタデータ） (2022-01-07T02:46:35Z)
• One Representative-Shot Learning Using a Population-Driven Template with Application to Brain Connectivity Classification and Evolution Prediction [0.0]
  グラフニューラルネットワーク(GNN)は、ネットワーク神経科学の分野に導入されている。 私たちは、GNNのトレーニングにおいて、まったく異なるアプローチを取っています。 我々は、GNNが単一集団駆動型テンプレートで訓練される最初のワンショットパラダイムを示す。
  論文  参考訳（メタデータ） (2021-10-06T08:36:00Z)
• Back to Prior Knowledge: Joint Event Causality Extraction via Convolutional Semantic Infusion [5.566928318239452]
  複合イベントと因果関係抽出は,情報検索とデータマイニングにおいて極めて重要な課題である。 共同抽出フレームワーク内で長さの異なる n-gram の頻繁な窓に対する畳み込み知識注入を提案する。 我々のモデルは強力なBERT+CSNNベースラインをはるかに上回る。
  論文  参考訳（メタデータ） (2021-02-19T13:31:46Z)
• Graph-Based Neural Network Models with Multiple Self-Supervised Auxiliary Tasks [79.28094304325116]
  グラフ畳み込みネットワークは、構造化されたデータポイント間の関係をキャプチャするための最も有望なアプローチである。 マルチタスク方式でグラフベースニューラルネットワークモデルを学習するための3つの新しい自己教師付き補助タスクを提案する。
  論文  参考訳（メタデータ） (2020-11-14T11:09:51Z)
• Ontology-driven Event Type Classification in Images [9.238824536215597]
  本稿では,画像中のイベントタイプを分類するためのオントロジー駆動型アプローチを提案する。 まず、ほとんどのイベントタイプからなるWikidataに基づくオントロジーを作成します。 知識グラフの構造化情報を利用して、ディープニューラルネットワークを用いて関連する事象関係を学習することを目的とした、オントロジー駆動学習アプローチを含む、いくつかのベースラインが提案されている。
  論文  参考訳（メタデータ） (2020-11-09T19:43:55Z)
• Knowledge-Guided Multi-Label Few-Shot Learning for General Image Recognition [75.44233392355711]
  KGGRフレームワークは、ディープニューラルネットワークと統計ラベル相関の事前知識を利用する。 まず、統計ラベルの共起に基づいて異なるラベルを相関させる構造化知識グラフを構築する。 次に、ラベルセマンティクスを導入し、学習セマンティクス固有の特徴をガイドする。 グラフノードの相互作用を探索するためにグラフ伝搬ネットワークを利用する。
  論文  参考訳（メタデータ） (2020-09-20T15:05:29Z)
• Active Learning on Attributed Graphs via Graph Cognizant Logistic Regression and Preemptive Query Generation [37.742218733235084]
  本稿では,属性グラフにおけるノード分類処理のための新しいグラフベース能動学習アルゴリズムを提案する。 提案アルゴリズムは,線形化グラフ畳み込みニューラルネットワーク(GCN)と等価なグラフ認識ロジスティック回帰を用いて,予測フェーズの誤差低減を最大化する。 5つの公開ベンチマークデータセットで実験を行い、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-07-09T18:00:53Z)
• GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
  グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。 自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-17T16:18:35Z)
• Domain-Guided Task Decomposition with Self-Training for Detecting Personal Events in Social Media [11.638298634523945]
  ソーシャルメディアをマイニングすることで、個人的な経験や出来事を検知したり、語彙の空間性に悩まされたり、トレーニングデータに乏しかったり、発明的な辞書を作ったりする。 ラベル付きデータを広範囲に作成することの負担を軽減するため、我々は2つのステップでこれらのタスクを実行することを提案する。 鍵概念を識別してタスクをドメイン固有のサブタスクに分解し、人間のドメイン理解を活用する。 2. ラベル付きトレーニングデータの要求を減らし、協調学習を用いて各鍵概念に対する学習者の結果を組み合わせる。
  論文  参考訳（メタデータ） (2020-04-21T14:50:31Z)
• A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
  イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。 基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
  論文  参考訳（メタデータ） (2020-02-21T23:10:50Z)

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。