論文の概要: Multi-Order Hyperbolic Graph Convolution and Aggregated Attention for Social Event Detection

• arxiv url: http://arxiv.org/abs/2502.00351v2
• Date: Mon, 10 Feb 2025 10:08:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-11 14:24:28.917514
• Title: Multi-Order Hyperbolic Graph Convolution and Aggregated Attention for Social Event Detection
• Title（参考訳）: ソーシャルイベント検出のための多階双曲グラフ畳み込みと集約注意
• Authors: Yao Liu, Zhilan Liu, Tien Ping Tan, Yuxin Li,
• Abstract要約: ソーシャルイベント検出(Social Event Detection、SED)は、特定の現実世界のイベントを特定することに焦点を当てたタスクであり、様々な領域にまたがる幅広いアプリケーションを持つ。 本稿では,SEDの性能向上を目的とした,MOHGCAA(Multi-Order Hyperbolic Graph Convolution with Aggregated Attention)を提案する。
• 参考スコア（独自算出の注目度）: 4.183900122103969
• License:
• Abstract: Social event detection (SED) is a task focused on identifying specific real-world events and has broad applications across various domains. It is integral to many mobile applications with social features, including major platforms like Twitter, Weibo, and Facebook. By enabling the analysis of social events, SED provides valuable insights for businesses to understand consumer preferences and supports public services in handling emergencies and disaster management. Due to the hierarchical structure of event detection data, traditional approaches in Euclidean space often fall short in capturing the complexity of such relationships. While existing methods in both Euclidean and hyperbolic spaces have shown promising results, they tend to overlook multi-order relationships between events. To address these limitations, this paper introduces a novel framework, Multi-Order Hyperbolic Graph Convolution with Aggregated Attention (MOHGCAA), designed to enhance the performance of SED. Experimental results demonstrate significant improvements under both supervised and unsupervised settings. To further validate the effectiveness and robustness of the proposed framework, we conducted extensive evaluations across multiple datasets, confirming its superiority in tackling common challenges in social event detection.
• Abstract（参考訳）: ソーシャルイベント検出(Social Event Detection、SED)は、特定の現実世界のイベントを特定することに焦点を当てたタスクであり、様々な領域にまたがる幅広いアプリケーションを持つ。 これは、Twitter、Weibo、Facebookなどの主要なプラットフォームを含む、ソーシャル機能を備えた多くのモバイルアプリに不可欠なものだ。 SEDは、社会イベントの分析を可能にすることにより、企業が消費者の嗜好を理解するための貴重な洞察を提供し、緊急事態や災害管理を扱うための公共サービスを支援する。 事象検出データの階層構造のため、ユークリッド空間の伝統的なアプローチはしばしばそのような関係の複雑さを捉えるのに不足する。 ユークリッド空間と双曲空間の両方の既存の手法は有望な結果を示しているが、それらは事象間の多階関係を見逃す傾向がある。 これらの制約に対処するために,SEDの性能向上を目的とした,MOHGCAA(Multi-Order Hyperbolic Graph Convolution with Aggregated Attention)を提案する。 実験の結果、教師なし設定と教師なし設定の両方で大幅な改善が示された。 提案手法の有効性とロバスト性をさらに検証するため,複数のデータセットにまたがって広範な評価を行い,社会的事象検出における共通課題に対処する上での優位性を確認した。

関連論文リスト

• DAMe: Personalized Federated Social Event Detection with Dual Aggregation Mechanism [55.45581907514175]
  本稿では,ソーシャルイベント検出のための二重集約機構,すなわちDAMeを用いた個人化学習フレームワークを提案する。 クライアントの好みに関する最大限の外部知識を提供するため,グローバルアグリゲーション戦略を導入する。 さらに、ローカルなオーバーフィッティングやクライアントドリフトを防止するために、グローバルなローカルイベント中心の制約を組み込んでいます。
  論文  参考訳（メタデータ） (2024-09-01T04:56:41Z)
• Hypergraph-based Multi-View Action Recognition using Event Cameras [20.965606424362726]
  マルチビューイベントベースのアクション認識フレームワークであるHyperMVを紹介する。 我々は6つの視点から50のアクションからなる、最も大きなマルチビューイベントベースのアクションデータセットである$textTHUtextMV-EACTtext-50$を提示する。 実験の結果,HyperMVはクロスオブジェクトとクロスビューの両方のシナリオにおいて,ベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2024-03-28T11:17:00Z)
• Event Detection in Time Series: Universal Deep Learning Approach [0.0]
  時系列におけるイベント検出は、不均衡なデータセット、まれなイベント、時間間隔定義イベントの頻度のため、困難なタスクである。 本稿では,教師付き回帰に基づく深層学習手法を提案する。 当社のアプローチは、まれなイベントや不均衡なデータセットを含む、統合されたフレームワーク内で、さまざまな種類のイベントを効果的に処理できる。
  論文  参考訳（メタデータ） (2023-11-27T09:33:56Z)
• EnrichEvent: Enriching Social Data with Contextual Information for Emerging Event Extraction [4.905346662577355]
  本稿では,ストリーミングソーシャルデータの言語的および文脈的表現を活用する新しいフレームワークであるEnrichEventを提案する。 提案するフレームワークは,イベントの時間的変化を示すために,各イベントのクラスタチェーンを生成する。
  論文  参考訳（メタデータ） (2023-07-29T21:37:55Z)
• 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)
• Abnormal Event Detection via Hypergraph Contrastive Learning [54.80429341415227]
  異常事象検出は多くの実アプリケーションにおいて重要な役割を果たす。 本稿では,分散異種情報ネットワークにおける異常事象検出問題について検討する。 AEHCLと呼ばれる新しいハイパーグラフコントラスト学習法が,異常事象のパターンをフルに捉えるために提案されている。
  論文  参考訳（メタデータ） (2023-04-02T08:23:20Z)
• 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)
• Learning Constraints and Descriptive Segmentation for Subevent Detection [74.48201657623218]
  本稿では,サブイベント検出とEventSeg予測の依存関係をキャプチャする制約を学習し,強制するアプローチを提案する。 我々は制約学習にRectifier Networksを採用し、学習した制約をニューラルネットワークの損失関数の正規化項に変換する。
  論文  参考訳（メタデータ） (2021-09-13T20:50:37Z)
• JRDB-Act: A Large-scale Multi-modal Dataset for Spatio-temporal Action, Social Group and Activity Detection [54.696819174421584]
  大学構内環境における生活行動の実際の分布を反映したマルチモーダルデータセットであるJRDB-Actを紹介する。 JRDB-Actには280万以上のアクションラベルがある。 JRDB-Actは、現場での対話に基づいて個人をグループ化するタスクに着想を得た社会集団識別アノテーションが付属している。
  論文  参考訳（メタデータ） (2021-06-16T14:43:46Z)
• Event Prediction in the Big Data Era: A Systematic Survey [7.3810864598379755]
  ビッグデータ時代において、イベント予測は実行可能な選択肢になりつつある。 本稿では,イベント予測の技術,応用,評価について,体系的かつ包括的な調査を行うことを目的とする。
  論文  参考訳（メタデータ） (2020-07-19T23:24:52Z)

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。