論文の概要: From Newswire to Nexus: Using text-based actor embeddings and transformer networks to forecast conflict dynamics

• arxiv url: http://arxiv.org/abs/2501.03928v1
• Date: Tue, 07 Jan 2025 16:45:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-08 15:51:02.321215
• Title: From Newswire to Nexus: Using text-based actor embeddings and transformer networks to forecast conflict dynamics
• Title（参考訳）: NewswireからNexusへ:テキストベースのアクター埋め込みとトランスフォーマーネットワークを使って競合ダイナミクスを予測する
• Authors: Mihai Croicu, Simon Polichinel von der Maase,
• Abstract要約: 本研究では,テキストベースのアクター埋め込みとトランスフォーマーモデルを用いたコンフリクト予測の分野を推し進める。 我々は、ニュースワイヤテキストと構造化コンフリクトイベントデータを組み合わせて、対立するアクター間のエスカレーションとデエスカレーションを予測する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This study advances the field of conflict forecasting by using text-based actor embeddings with transformer models to predict dynamic changes in violent conflict patterns at the actor level. More specifically, we combine newswire texts with structured conflict event data and leverage recent advances in Natural Language Processing (NLP) techniques to forecast escalations and de-escalations among conflicting actors, such as governments, militias, separatist movements, and terrorists. This new approach accurately and promptly captures the inherently volatile patterns of violent conflicts, which existing methods have not been able to achieve. To create this framework, we began by curating and annotating a vast international newswire corpus, leveraging hand-labeled event data from the Uppsala Conflict Data Program. By using this hybrid dataset, our models can incorporate the textual context of news sources along with the precision and detail of structured event data. This combination enables us to make both dynamic and granular predictions about conflict developments. We validate our approach through rigorous back-testing against historical events, demonstrating superior out-of-sample predictive power. We find that our approach is quite effective in identifying and predicting phases of conflict escalation and de-escalation, surpassing the capabilities of traditional models. By focusing on actor interactions, our explicit goal is to provide actionable insights to policymakers, humanitarian organizations, and peacekeeping operations in order to enable targeted and effective intervention strategies.
• Abstract（参考訳）: 本研究では、テキストベースのアクター埋め込みとトランスフォーマーモデルを用いて、アクターレベルでの暴力的コンフリクトパターンの動的変化を予測することで、コンフリクト予測の分野を前進させる。 具体的には、ニューズワイヤのテキストと構造化コンフリクトイベントデータを組み合わせて、自然言語処理(NLP)技術の最近の進歩を活用して、政府、民兵、分離主義運動、テロリストといった対立するアクター間のエスカレーションとデエスカレーションを予測する。 この新しいアプローチは、既存の方法では達成できなかった暴力的な対立の本質的に不安定なパターンを正確かつ迅速に捉えます。 このフレームワークを作成するために、我々は、Uppsala Conflict Data Programから手書きのイベントデータを活用して、巨大な国際ニュースワイヤコーパスをキュレートし、注釈付けすることから始めました。 このハイブリッドデータセットを使うことで、我々のモデルは、構造化されたイベントデータの精度と詳細とともに、ニュースソースのテキストコンテキストを組み込むことができる。 この組み合わせにより、競合の発生に関する動的およびきめ細かい予測ができます。 歴史的事象に対する厳格なバックテストを通じて,我々のアプローチを検証する。 私たちのアプローチは、競合エスカレーションとデエスカレーションのフェーズを特定し、予測するのに非常に効果的であり、従来のモデルの能力を超えています。 アクターの相互作用に焦点を当てることで、政策立案者、人道的組織、平和維持活動に実用的な洞察を提供することで、標的的で効果的な介入戦略を実現することを目的としています。

関連論文リスト

• TrACT: A Training Dynamics Aware Contrastive Learning Framework for Long-tail Trajectory Prediction [7.3292387742640415]
  本稿では,よりリッチなトレーニングダイナミックス情報を,原型的コントラスト学習フレームワークに組み込むことを提案する。 我々は,2つの大規模自然主義データセットを用いたアプローチの実証評価を行った。
  論文  参考訳（メタデータ） (2024-04-18T23:12:46Z)
• Mutual-modality Adversarial Attack with Semantic Perturbation [81.66172089175346]
  本稿では,相互モダリティ最適化スキームにおける敵攻撃を生成する新しい手法を提案する。 我々の手法は最先端の攻撃方法より優れており、プラグイン・アンド・プレイ・ソリューションとして容易にデプロイできる。
  論文  参考訳（メタデータ） (2023-12-20T05:06:01Z)
• SA-Attack: Improving Adversarial Transferability of Vision-Language Pre-training Models via Self-Augmentation [56.622250514119294]
  ホワイトボックスの敵攻撃とは対照的に、転送攻撃は現実世界のシナリオをより反映している。 本稿では,SA-Attackと呼ばれる自己拡張型転送攻撃手法を提案する。
  論文  参考訳（メタデータ） (2023-12-08T09:08:50Z)
• P4P: Conflict-Aware Motion Prediction for Planning in Autonomous Driving [28.948224519638913]
  我々は、新しいコンフリクト関連指標を用いて最先端の予測器を評価する。 本稿では,物理に基づく軌道生成器と学習に基づく予測器を組み合わせた,シンプルだが効果的な代替手段を提案する。 我々の予測器であるP4Pは、現実的なインタラクティブな運転シナリオにおいて、既存の学習ベースの予測器よりも優れた性能を達成する。
  論文  参考訳（メタデータ） (2022-11-03T07:51:40Z)
• Learning-based Hybrid Local Search for the Hard-label Textual Attack [53.92227690452377]
  我々は,攻撃者が予測ラベルにのみアクセス可能な,滅多に調査されていないが厳格な設定,すなわちハードラベル攻撃を考える。 そこで本研究では,Learning-based Hybrid Local Search (LHLS)アルゴリズムという,新たなハードラベル攻撃を提案する。 我々のLHLSは、攻撃性能と敵の品質に関する既存のハードラベル攻撃を著しく上回っている。
  論文  参考訳（メタデータ） (2022-01-20T14:16:07Z)
• Delving into Data: Effectively Substitute Training for Black-box Attack [84.85798059317963]
  本稿では,知識盗むプロセスで使用されるデータの分散設計に焦点をあてた,新しい視点代替トレーニングを提案する。 これら2つのモジュールの組み合わせにより、代替モデルとターゲットモデルの一貫性がさらに向上し、敵攻撃の有効性が大幅に向上する。
  論文  参考訳（メタデータ） (2021-04-26T07:26:29Z)
• Adversarial Attack and Defense of Structured Prediction Models [58.49290114755019]
  本論文では,NLPにおける構造化予測タスクに対する攻撃と防御について検討する。 構造化予測モデルの構造化出力は、入力中の小さな摂動に敏感である。 本稿では,シーケンス・ツー・シーケンス・モデルを用いて,構造化予測モデルへの攻撃を学習する,新規で統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-04T15:54:03Z)
• End-to-end Contextual Perception and Prediction with Interaction Transformer [79.14001602890417]
  我々は3次元物体の検出と将来の動きを自動運転の文脈で予測する問題に取り組む。 空間的・時間的依存関係を捉えるために,新しいトランスフォーマーアーキテクチャを用いたリカレントニューラルネットワークを提案する。 私たちのモデルはエンドツーエンドでトレーニングでき、リアルタイムで実行されます。
  論文  参考訳（メタデータ） (2020-08-13T14:30:12Z)
• Cause vs. Effect in Context-Sensitive Prediction of Business Process Instances [0.440401067183266]
  本稿では、次の事象の原因または影響のコンテキストの問題と、次の事象の予測への影響について論じる。 確率モデルに関する従来の研究を活用し、動的ベイズネットワーク技術を開発した。 本稿では,本手法を2つの実生活データセットを用いて評価し,予測プロセス監視分野の他の手法とベンチマークする。
  論文  参考訳（メタデータ） (2020-07-15T08:58:15Z)

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。