Fugu-MT 論文翻訳(概要): A social context-aware graph-based multimodal attentive learning framework for disaster content classification during emergencies: a benchmark dataset and method

論文の概要: A social context-aware graph-based multimodal attentive learning framework for disaster content classification during emergencies: a benchmark dataset and method

arxiv url: http://arxiv.org/abs/2410.08814v2
Date: Sat, 18 Oct 2025 16:57:05 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-25 03:08:02.56713
Title: A social context-aware graph-based multimodal attentive learning framework for disaster content classification during emergencies: a benchmark dataset and method
Title（参考訳）: 災害時の災害コンテンツ分類のための社会的文脈対応グラフに基づくマルチモーダル注意学習フレームワーク--ベンチマークデータセットと方法
Authors: Shahid Shafi Dar, Mohammad Zia Ur Rehman, Karan Bais, Mohammed Abdul Haseeb, Nagendra Kumara,
Abstract要約: CrisisSpotは、テキストと視覚の複雑な関係をキャプチャする手法である。 IDEAは、データ内の調和とコントラストの両方のパターンをキャプチャして、マルチモーダルインタラクションを強化する。 CrisisSpotは最先端の手法と比較してF1スコアの平均9.45%と5.01%の上昇を達成した。
参考スコア（独自算出の注目度）: 4.757418935621701
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In times of crisis, the prompt and precise classification of disaster-related information shared on social media platforms is crucial for effective disaster response and public safety. During such critical events, individuals use social media to communicate, sharing multimodal textual and visual content. However, due to the significant influx of unfiltered and diverse data, humanitarian organizations face challenges in leveraging this information efficiently. Existing methods for classifying disaster-related content often fail to model users' credibility, emotional context, and social interaction information, which are essential for accurate classification. To address this gap, we propose CrisisSpot, a method that utilizes a Graph-based Neural Network to capture complex relationships between textual and visual modalities, as well as Social Context Features to incorporate user-centric and content-centric information. We also introduce Inverted Dual Embedded Attention (IDEA), which captures both harmonious and contrasting patterns within the data to enhance multimodal interactions and provide richer insights. Additionally, we present TSEqD (Turkey-Syria Earthquake Dataset), a large annotated dataset for a single disaster event, containing 10,352 samples. Through extensive experiments, CrisisSpot demonstrated significant improvements, achieving an average F1-score gain of 9.45% and 5.01% compared to state-of-the-art methods on the publicly available CrisisMMD dataset and the TSEqD dataset, respectively.
Abstract（参考訳）: 危機時において、ソーシャルメディア上で共有される災害関連情報の迅速かつ正確な分類は、効果的な災害対応と公共の安全のために不可欠である。このような重要なイベントの間、個人はソーシャルメディアを使ってコミュニケーションし、マルチモーダルテキストとビジュアルコンテンツを共有します。しかし、フィルターのない多種多様なデータが大量に流入しているため、人道的組織は、この情報を効率的に活用する上で困難に直面している。災害関連コンテンツを分類する既存の方法は、正確な分類に欠かせないユーザの信頼性、情緒的文脈、社会的相互作用情報をモデル化できないことが多い。このギャップに対処するために、グラフベースのニューラルネットワークを用いてテキストと視覚の複雑な関係をキャプチャするCrisSpotと、ユーザ中心情報とコンテンツ中心情報を統合するSocial Context Featuresを提案する。 Inverted Dual Embedded Attention (IDEA)を導入し、データ内の調和パターンとコントラストパターンの両方をキャプチャし、マルチモーダルインタラクションを強化し、よりリッチな洞察を提供する。さらに,TSEqD (Turkey-Syria Earthquake Dataset) について述べる。広範な実験を通じて、CrisisSpotは、公開可能なCrisisMMDデータセットとTSEqDデータセットの最先端の手法と比較して、平均的なF1スコアの9.45%と5.01%の上昇を達成した。

関連論文リスト

Differential Attention for Multimodal Crisis Event Analysis [1.5030693386126894]
ソーシャルネットワークは危機時の貴重な情報源になり得る。危機データの分類を強化するために,視覚言語モデル(VLM)と高度な融合戦略を検討する。以上の結果から,事前学習されたVLM,リッチテキスト記述,適応融合戦略の組み合わせは,分類精度において常に最先端のモデルよりも優れていることがわかった。
論文参考訳（メタデータ） (2025-07-07T16:20:35Z)
Multi-Stakeholder Disaster Insights from Social Media Using Large Language Models [1.6777183511743472]
ソーシャルメディアは、災害や緊急時にユーザーがフィードバックや問題を迅速に共有するための主要なチャンネルとして現れてきた。本稿では, LLMの能力を活用して災害対応と管理を強化する手法を提案する。提案手法は,生のユーザフィードバックと利害関係者固有のレポートのギャップを埋めるために,分類手法と生成AIを組み合わせる。
論文参考訳（メタデータ） (2025-03-30T22:53:52Z)
InterFormer: Towards Effective Heterogeneous Interaction Learning for Click-Through Rate Prediction [72.50606292994341]
我々はインターリービング方式で異種情報インタラクションを学習するInterFormerという新しいモジュールを提案する。提案するInterFormerは,3つのパブリックデータセットと大規模産業データセットに対して,最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2024-11-15T00:20:36Z)
CrisisSense-LLM: Instruction Fine-Tuned Large Language Model for Multi-label Social Media Text Classification in Disaster Informatics [49.2719253711215]
本研究では,事前学習型大規模言語モデル(LLM)の強化による災害テキスト分類への新たなアプローチを提案する。本手法では,災害関連ツイートから包括的インストラクションデータセットを作成し,それをオープンソース LLM の微調整に用いる。この微調整モデルでは,災害関連情報の種類,情報化,人的援助の関与など,複数の側面を同時に分類することができる。
論文参考訳（メタデータ） (2024-06-16T23:01:10Z)
Learning Traffic Crashes as Language: Datasets, Benchmarks, and What-if Causal Analyses [76.59021017301127]
我々は,CrashEventという大規模トラフィッククラッシュ言語データセットを提案し,実世界のクラッシュレポート19,340を要約した。さらに,クラッシュイベントの特徴学習を,新たなテキスト推論問題として定式化し,さらに様々な大規模言語モデル(LLM)を微調整して,詳細な事故結果を予測する。実験の結果, LLMに基づくアプローチは事故の重大度を予測できるだけでなく, 事故の種類を分類し, 損害を予測できることがわかった。
論文参考訳（メタデータ） (2024-06-16T03:10:16Z)
A Named Entity Recognition and Topic Modeling-based Solution for Locating and Better Assessment of Natural Disasters in Social Media [1.9739821076317217]
ソーシャルメディアのコンテンツは、災害情報学に非常に効果的であることが証明されている。しかし、データの構造が不整なため、ソーシャルメディアコンテンツにおける災害分析にいくつかの課題が伴う。災害情報学におけるソーシャルメディアコンテンツの可能性を完全に探求するためには、関連コンテンツへのアクセスと適切な位置情報情報が非常に重要である。
論文参考訳（メタデータ） (2024-05-01T23:19:49Z)
CrisisMatch: Semi-Supervised Few-Shot Learning for Fine-Grained Disaster Tweet Classification [51.58605842457186]
半教師付き, 少数ショットの学習環境下で, 微粒な災害ツイート分類モデルを提案する。私たちのモデルであるCrisisMatchは、ラベルなしデータと大量のラベルなしデータを用いて、ツイートを関心の細かいクラスに効果的に分類する。
論文参考訳（メタデータ） (2023-10-23T07:01:09Z)
EDSA-Ensemble: an Event Detection Sentiment Analysis Ensemble Architecture [63.85863519876587]
Sentiment Analysisを使って、イベントに属する各メッセージの極性やイベント全体を理解することで、オンラインソーシャルネットワークにおける重要なトレンドやダイナミクスに関する一般的な感情や個人の感情をよりよく理解することができます。本研究では,ソーシャルメディアから現在起きているイベントの極性検出を改善するために,イベント検出と知覚分析を用いた新しいアンサンブルアーキテクチャEDSA-Ensembleを提案する。
論文参考訳（メタデータ） (2023-01-30T11:56:08Z)
Enhancing Crisis-Related Tweet Classification with Entity-Masked Language Modeling and Multi-Task Learning [0.30458514384586394]
本稿では,マルチタスク学習問題として,エンティティ・マスク言語モデリングと階層型マルチラベル分類の組み合わせを提案する。我々は,TREC-ISデータセットからのつぶやきに対する評価を行い,動作可能な情報型に対して最大10%のF1スコアの絶対的なパフォーマンス向上を示す。
論文参考訳（メタデータ） (2022-11-21T13:54:10Z)
HumAID: Human-Annotated Disaster Incidents Data from Twitter with Deep Learning Benchmarks [5.937482215664902]
ソーシャルメディアのコンテンツは、どんなアプリケーションでも直接使うにはうるさい。効果的な消費と意思決定を促進するために、利用可能なコンテンツをフィルタリング、分類、および簡潔に要約することが重要です。 19の災害イベントで2400万ツイートのプールから抽出された77万ツイートの大規模なデータセットを紹介します。
論文参考訳（メタデータ） (2021-04-07T12:29:36Z)
Event-Related Bias Removal for Real-time Disaster Events [67.2965372987723]
ソーシャルメディアは、自然災害や大量攻撃などの危機事象に関する情報を共有する重要なツールとなっている。有用な情報を含む実行可能なポストを検出するには、大量のデータをリアルタイムに高速に分析する必要がある。我々は、潜在事象固有のバイアスを除去し、ツイート重要度分類の性能を向上させるために、敵対的ニューラルモデルを訓練する。
論文参考訳（メタデータ） (2020-11-02T02:03:07Z)

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。