論文の概要: Towards Effective, Efficient and Unsupervised Social Event Detection in the Hyperbolic Space

• arxiv url: http://arxiv.org/abs/2412.10712v1
• Date: Sat, 14 Dec 2024 06:55:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:58:47.355737
• Title: Towards Effective, Efficient and Unsupervised Social Event Detection in the Hyperbolic Space
• Title（参考訳）: 双曲空間における効率的・効率的・教師なしの社会的事象検出に向けて
• Authors: Xiaoyan Yu, Yifan Wei, Shuaishuai Zhou, Zhiwei Yang, Li Sun, Hao Peng, Liehuang Zhu, Philip S. Yu,
• Abstract要約: この記事では、教師なしフレームワークHyperSED(Hyperbolic SED)を紹介します。 具体的には、まずソーシャルメッセージをセマンティックベースのメッセージアンカーにモデル化し、次にアンカーグラフの構造を利用する。 公開データセットの実験では、HyperSEDの競合性能と、大幅な効率向上が示されている。
• 参考スコア（独自算出の注目度）: 54.936897625837474
• License:
• Abstract: The vast, complex, and dynamic nature of social message data has posed challenges to social event detection (SED). Despite considerable effort, these challenges persist, often resulting in inadequately expressive message representations (ineffective) and prolonged learning durations (inefficient). In response to the challenges, this work introduces an unsupervised framework, HyperSED (Hyperbolic SED). Specifically, the proposed framework first models social messages into semantic-based message anchors, and then leverages the structure of the anchor graph and the expressiveness of the hyperbolic space to acquire structure- and geometry-aware anchor representations. Finally, HyperSED builds the partitioning tree of the anchor message graph by incorporating differentiable structural information as the reflection of the detected events. Extensive experiments on public datasets demonstrate HyperSED's competitive performance, along with a substantial improvement in efficiency compared to the current state-of-the-art unsupervised paradigm. Statistically, HyperSED boosts incremental SED by an average of 2%, 2%, and 25% in NMI, AMI, and ARI, respectively; enhancing efficiency by up to 37.41 times and at least 12.10 times, illustrating the advancement of the proposed framework. Our code is publicly available at https://github.com/XiaoyanWork/HyperSED.
• Abstract（参考訳）: ソーシャルメッセージデータの巨大で複雑でダイナミックな性質は、ソーシャルイベント検出(SED)に課題をもたらしている。 かなりの努力にもかかわらず、これらの課題は持続し、しばしば不適切な表現的メッセージ表現(非効率)と長大な学習期間(非効率)をもたらす。 この課題に応えて、この研究は教師なしフレームワークHyperSED(Hyperbolic SED)を導入した。 具体的には、まず、ソーシャルメッセージを意味に基づくメッセージアンカーにモデル化し、次に、アンカーグラフの構造と双曲空間の表現を活用して、構造的および幾何学的アンカー表現を取得する。 最後に、HyperSEDは検出されたイベントのリフレクションとして、異なる構造情報を組み込むことで、アンカーメッセージグラフのパーティショニングツリーを構築する。 公開データセットに関する大規模な実験は、HyperSEDの競争性能と、現在の最先端の教師なしパラダイムと比較して、大幅な効率向上を示している。 統計的には、HyperSEDはNMI、AMI、ARIでそれぞれ平均2%、2%、25%のインクリメンタルSEDを加速し、37.41倍、少なくとも12.10倍の効率を向上し、提案されたフレームワークの進歩を説明する。 私たちのコードはhttps://github.com/XiaoyanWork/HyperSED.comで公開されています。

関連論文リスト

• EventZoom: A Progressive Approach to Event-Based Data Augmentation for Enhanced Neuromorphic Vision [9.447299017563841]
  ダイナミックビジョンセンサー(DVS)は、高時間分解能と低消費電力でイベントデータをキャプチャする。 イベントデータ拡張は、イベントデータセットのスケールと多様性の制限を克服するための重要な方法である。
  論文  参考訳（メタデータ） (2024-05-29T08:39:31Z)
• Hierarchical and Incremental Structural Entropy Minimization for Unsupervised Social Event Detection [61.87480191351659]
  グラフニューラルネットワーク(GNN)ベースの手法は、自然言語の意味論と複雑なソーシャルネットワーク構造情報の融合を可能にする。 本稿では,グラフ構造エントロピー(SE)最小化による社会事象の検出について述べる。 GNNベースの手法の利点を維持しながら、提案するフレームワークであるHISEventは、より有益なメッセージグラフを構築している。
  論文  参考訳（メタデータ） (2023-12-19T06:28:32Z)
• Spatial-Temporal Graph Enhanced DETR Towards Multi-Frame 3D Object Detection [54.041049052843604]
  STEMDは,多フレーム3Dオブジェクト検出のためのDETRのようなパラダイムを改良した,新しいエンドツーエンドフレームワークである。 まず、オブジェクト間の空間的相互作用と複雑な時間的依存をモデル化するために、空間的時間的グラフアテンションネットワークを導入する。 最後に、ネットワークが正のクエリと、ベストマッチしない他の非常に類似したクエリを区別することが課題となる。
  論文  参考訳（メタデータ） (2023-07-01T13:53:14Z)
• Boosting Event Extraction with Denoised Structure-to-Text Augmentation [52.21703002404442]
  イベント抽出は、テキストから事前に定義されたイベントトリガと引数を認識することを目的としている。 最近のデータ拡張手法は文法的誤りの問題を無視することが多い。 本稿では,イベント抽出DAEEのための記述構造からテキストへの拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-16T16:52:07Z)
• Evidential Temporal-aware Graph-based Social Event Detection via Dempster-Shafer Theory [76.4580340399321]
  ETGNN(Evidential Temporal-aware Graph Neural Network)を提案する。 ノードがテキストであり、エッジがそれぞれ複数の共有要素によって決定されるビュー固有グラフを構築する。 ビュー固有の不確実性を考慮すると、すべてのビューの表現は、明らかなディープラーニング(EDL)ニューラルネットワークを介してマス関数に変換される。
  論文  参考訳（メタデータ） (2022-05-24T16:22:40Z)
• Principled inference of hyperedges and overlapping communities in hypergraphs [0.0]
  本稿では,ハイパーグラフの構造的構造を特徴付けるための統計的推測に基づく枠組みを提案する。 我々は,ハイパーエッジ予測タスクにおいて強い性能を示し,相互作用によってもたらされる情報に順応したコミュニティの検出,ノイズの多いハイパーエッジの追加に対する堅牢性を示した。
  論文  参考訳（メタデータ） (2022-04-12T09:13:46Z)
• AET-SGD: Asynchronous Event-triggered Stochastic Gradient Descent [10.029039979947798]
  効果的な分散学習アルゴリズムの設計において、通信コストが主なボトルネックとなっている。 本稿では,AET-SGD(Asynchronous Event-Triggered Gradient Descent)フレームワークを提案する。 AET-SGD はトラグラーノードから大きな遅延に耐えることができ、良好な性能と所望のスピードアップ比が得られることを示す。
  論文  参考訳（メタデータ） (2021-12-27T23:20:04Z)
• Efficient Dynamic Graph Representation Learning at Scale [66.62859857734104]
  本稿では,学習損失による時間依存性を選択的に表現し,計算の並列性を改善するための効率的な動的グラフ lEarning (EDGE) を提案する。 EDGEは、数百万のノードと数億の時間的イベントを持つ動的グラフにスケールでき、新しい最先端(SOTA)パフォーマンスを実現することができる。
  論文  参考訳（メタデータ） (2021-12-14T22:24:53Z)
• Discrete-time Temporal Network Embedding via Implicit Hierarchical Learning in Hyperbolic Space [43.280123606888395]
  双曲幾何学の指数的能力と階層的認識を生かした双曲時間グラフネットワーク(HTGN)を提案する。 HTGNは、時間グラフを双曲空間にマッピングし、双曲グラフニューラルネットワークと双曲ゲートリカレントニューラルネットワークを組み込む。 複数の実世界のデータセットに対する実験結果は、時間グラフ埋め込みにおけるHTGNの優位性を示している。
  論文  参考訳（メタデータ） (2021-07-08T11:24:59Z)

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。