論文の概要: Signals from the Floods: AI-Driven Disaster Analysis through Multi-Source Data Fusion

• arxiv url: http://arxiv.org/abs/2505.17038v1
• Date: Sat, 10 May 2025 11:27:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-01 23:16:01.378218
• Title: Signals from the Floods: AI-Driven Disaster Analysis through Multi-Source Data Fusion
• Title（参考訳）: 洪水からの信号:マルチソースデータ融合によるAI駆動災害解析
• Authors: Xian Gong, Paul X. McCarthy, Lin Tian, Marian-Andrei Rizoiu,
• Abstract要約: 本研究では、X(旧Twitter)と公開調査が危機時の公衆行動に対する洞察を提供する方法について検討する。 5万5000件以上の洪水に関連するツイートと1450件の投稿を分析し、極端な天候の時の行動パターンを特定します。
• 参考スコア（独自算出の注目度）: 5.684402591486773
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Massive and diverse web data are increasingly vital for government disaster response, as demonstrated by the 2022 floods in New South Wales (NSW), Australia. This study examines how X (formerly Twitter) and public inquiry submissions provide insights into public behaviour during crises. We analyse more than 55,000 flood-related tweets and 1,450 submissions to identify behavioural patterns during extreme weather events. While social media posts are short and fragmented, inquiry submissions are detailed, multi-page documents offering structured insights. Our methodology integrates Latent Dirichlet Allocation (LDA) for topic modelling with Large Language Models (LLMs) to enhance semantic understanding. LDA reveals distinct opinions and geographic patterns, while LLMs improve filtering by identifying flood-relevant tweets using public submissions as a reference. This Relevance Index method reduces noise and prioritizes actionable content, improving situational awareness for emergency responders. By combining these complementary data streams, our approach introduces a novel AI-driven method to refine crisis-related social media content, improve real-time disaster response, and inform long-term resilience planning.
• Abstract（参考訳）: オーストラリア、ニューサウスウェールズ州(NSW)の2022年の洪水で示されたように、政府の災害対応には膨大な量のウェブデータが不可欠である。 本研究では、X(旧Twitter)と公開調査が危機時の公衆行動に対する洞察を提供する方法について検討する。 5万5000件以上の洪水に関連するツイートと1450件の投稿を分析し、極端な天候の時の行動パターンを特定します。 ソーシャルメディアの投稿は短く断片化されているが、質問状は詳細であり、構造化された洞察を提供する複数ページの文書である。 本手法では,LDA(Latent Dirichlet Allocation)とLLM(Large Language Models)を統合し,セマンティック理解を強化する。 LDAは異なる意見と地理的パターンを明らかにし、LLMは公開投稿を参考に洪水関連ツイートを識別することでフィルタリングを改善する。 ノイズを低減し、行動可能なコンテンツを優先し、緊急対応者の状況認識を改善する。 これらの相補的なデータストリームを組み合わせることで、危機関連ソーシャルメディアコンテンツを洗練し、リアルタイムの災害対応を改善し、長期的なレジリエンス計画を伝える、新たなAI駆動手法を導入する。

関連論文リスト

• Model Inversion Attacks: A Survey of Approaches and Countermeasures [59.986922963781]
  近年、新しいタイプのプライバシ攻撃であるモデル反転攻撃(MIA)は、トレーニングのためのプライベートデータの機密性を抽出することを目的としている。 この重要性にもかかわらず、総合的な概要とMIAに関する深い洞察を提供する体系的な研究が欠如している。 本調査は、攻撃と防御の両方において、最新のMIA手法を要約することを目的としている。
  論文  参考訳（メタデータ） (2024-11-15T08:09:28Z)
• Public Health in Disaster: Emotional Health and Life Incidents Extraction during Hurricane Harvey [1.433758865948252]
  嵐に関連する40万件の公開ツイートのデータセットを収集しました。 BERTベースのモデルを用いて、各ツイートに関連する感情を予測した。 グラフニューラルネットワーク(GNN)とLarge Language Models(LLM)を統合して分析をさらに改良した。
  論文  参考訳（メタデータ） (2024-08-20T18:31:20Z)
• 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)
• Against The Achilles' Heel: A Survey on Red Teaming for Generative Models [60.21722603260243]
  120以上の論文を調査し,言語モデル固有の能力に根ざした,きめ細かい攻撃戦略の分類を導入した。 我々は、様々な自動レッドチーム化アプローチを統合するために、"searcher"フレームワークを開発した。
  論文  参考訳（メタデータ） (2024-03-31T09:50:39Z)
• Recent Advances in Hate Speech Moderation: Multimodality and the Role of Large Models [52.24001776263608]
  この包括的調査は、HSモデレーションの最近の歩みを掘り下げている。 大型言語モデル(LLM)と大規模マルチモーダルモデル(LMM)の急成長する役割を強調した。 研究における既存のギャップを、特に表現不足言語や文化の文脈で特定する。
  論文  参考訳（メタデータ） (2024-01-30T03:51:44Z)
• 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)
• Investigating disaster response through social media data and the Susceptible-Infected-Recovered (SIR) model: A case study of 2020 Western U.S. wildfire season [0.8999666725996975]
  ソーシャルメディアは災害時の公衆の懸念や要求を反映することができる。 Twitterデータからトピックをクラスタリングするために、BERT(Bidirectional Representations from Transformers)トピックモデリングを使用しました。 本研究では、ソーシャルメディアデータを用いたSIRモデルとトピックモデリングが、災害対応を定量的に評価するための意思決定者に提供する方法について詳述する。
  論文  参考訳（メタデータ） (2023-08-10T01:51:33Z)
• ContCommRTD: A Distributed Content-based Misinformation-aware Community Detection System for Real-Time Disaster Reporting [0.5156484100374059]
  本稿では,危険関連事象とその進化について,ほぼリアルタイムに情報を提供する新しい分散システムを提案する。 我々の分散災害報告システムは、世界規模のツイート間の社会的関係を解析する。 フェイクニュースを検知する新たな深層学習モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-30T15:28:47Z)
• A Machine learning approach for rapid disaster response based on multi-modal data. The case of housing & shelter needs [0.0]
  災害に遭った人々の最も直接的なニーズの1つは避難所を見つけることである。 本稿では,マルチモーダルデータの融合と解析を目的とした機械学習ワークフローを提案する。 世界中の200以上の災害に対する19の特徴のデータベースに基づいて、意思決定レベルでの融合アプローチが用いられた。
  論文  参考訳（メタデータ） (2021-07-29T18:22:34Z)

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。