論文の概要: A Multimodal, Multilingual, and Multidimensional Pipeline for Fine-grained Crowdsourcing Earthquake Damage Evaluation

• arxiv url: http://arxiv.org/abs/2506.03360v1
• Date: Tue, 03 Jun 2025 20:07:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:14.035857
• Title: A Multimodal, Multilingual, and Multidimensional Pipeline for Fine-grained Crowdsourcing Earthquake Damage Evaluation
• Title（参考訳）: 微粒なクラウドソーシングによる地震被害評価のための多モード・多言語・多次元パイプライン
• Authors: Zihui Ma, Lingyao Li, Juan Li, Wenyue Hua, Jingxiao Liu, Qingyuan Feng, Yuki Miura,
• Abstract要約: 迅速な、きめ細かい災害被害評価は、効果的な緊急対応には不可欠であるが、地上センサーの制限や公式報告の遅れにより、依然として困難である。 ソーシャルメディアは、人間中心の観察のリッチでリアルタイムな情報源を提供するが、そのマルチモーダルで非構造的な性質は、従来の分析手法の課題を提起している。 マルチモーダル・大規模言語モデル(MLLM)を利用した災害影響評価のための構造的多モーダル・多言語・多次元パイプライン(3M)を提案する。
• 参考スコア（独自算出の注目度）: 5.5809992003597575
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rapid, fine-grained disaster damage assessment is essential for effective emergency response, yet remains challenging due to limited ground sensors and delays in official reporting. Social media provides a rich, real-time source of human-centric observations, but its multimodal and unstructured nature presents challenges for traditional analytical methods. In this study, we propose a structured Multimodal, Multilingual, and Multidimensional (3M) pipeline that leverages multimodal large language models (MLLMs) to assess disaster impacts. We evaluate three foundation models across two major earthquake events using both macro- and micro-level analyses. Results show that MLLMs effectively integrate image-text signals and demonstrate a strong correlation with ground-truth seismic data. However, performance varies with language, epicentral distance, and input modality. This work highlights the potential of MLLMs for disaster assessment and provides a foundation for future research in applying MLLMs to real-time crisis contexts. The code and data are released at: https://github.com/missa7481/EMNLP25_earthquake
• Abstract（参考訳）: 迅速な、きめ細かい災害被害評価は、効果的な緊急対応には不可欠であるが、地上センサーの制限や公式報告の遅れにより、依然として困難である。 ソーシャルメディアは、人間中心の観察のリッチでリアルタイムな情報源を提供するが、そのマルチモーダルで非構造的な性質は、従来の分析手法の課題を提起している。 本研究では,マルチモーダル大規模言語モデル(MLLM)を利用した災害影響評価のための構造化多モーダル,多言語,多次元パイプライン(3M)を提案する。 マクロおよびマイクロレベルの解析による2大地震の3つの基礎モデルの評価を行った。 その結果,MLLMは画像テキスト信号を効果的に統合し,地中地震データと強い相関関係を示すことがわかった。 しかし、性能は言語、震源距離、入力モダリティによって異なる。 本研究は、災害評価におけるMLLMの可能性を強調し、リアルタイム危機状況にMLLMを適用するための将来の研究基盤を提供する。 https://github.com/missa7481/EMNLP25_earthquake

関連論文リスト

• MLLMs are Deeply Affected by Modality Bias [158.64371871084478]
  MLLM(Multimodal Large Language Models)の最近の進歩は、テキストや画像などの多様なモダリティを統合する上で、有望な成果を示している。 MLLMはモダリティバイアスに強く影響され、しばしば言語に依存し、視覚入力のような他のモダリティを過小評価する。 本稿では,MLLMはモダリティバイアスの影響を強く受けており,様々なタスクにまたがってその発現を明らかにする。
  論文  参考訳（メタデータ） (2025-05-24T11:49:31Z)
• MIRAGE: Multimodal Immersive Reasoning and Guided Exploration for Red-Team Jailbreak Attacks [85.3303135160762]
  MIRAGEは、物語駆動型コンテキストとロール没入を利用して、マルチモーダル大規模言語モデルにおける安全性メカニズムを回避する新しいフレームワークである。 最先端のパフォーマンスを達成し、最高のベースラインよりも攻撃成功率を最大17.5%向上させる。 役割の浸漬と構造的セマンティック再構築は、モデル固有のバイアスを活性化し、モデルが倫理的保護に自発的に違反することを実証する。
  論文  参考訳（メタデータ） (2025-03-24T20:38:42Z)
• Multi-Lingual Cyber Threat Detection in Tweets/X Using ML, DL, and LLM: A Comparative Analysis [0.0]
  サイバー脅威検出は、今日のデジタル時代において重要な領域となっている。 本研究は,様々な高度なモデルを用いた多言語ツイートによるサイバー脅威検出に焦点を当てた。 ツイートデータセットを英語、中国語、ロシア語、アラビア語の4言語で収集し、ラベル付けしました。
  論文  参考訳（メタデータ） (2025-02-04T03:46:24Z)
• Harnessing Large Language Models for Disaster Management: A Survey [57.00123968209682]
  大規模言語モデル(LLM)は、その例外的な能力で科学研究に革命をもたらし、様々な分野を変革した。 本研究の目的は,災害対策のための高度LLMの開発における専門家コミュニティの指導であり,自然災害に対するレジリエンスを高めることである。
  論文  参考訳（メタデータ） (2025-01-12T21:00:50Z)
• 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)
• Monitoring Critical Infrastructure Facilities During Disasters Using Large Language Models [8.17728833322492]
  クリティカルインフラストラクチャー施設(CIF)は、特に大規模緊急時において、コミュニティの機能に不可欠である。 本稿では,大規模言語モデル(LLM)の適用の可能性を探り,自然災害によるCIFの状況を監視する。 我々は2つの異なる国の災害イベントからソーシャルメディアデータを分析し、CIFに対する報告された影響と、その影響の重大さと運用状況を明らかにする。
  論文  参考訳（メタデータ） (2024-04-18T19:41:05Z)
• Near-real-time Earthquake-induced Fatality Estimation using Crowdsourced Data and Large-Language Models [5.031939163610801]
  本研究では,地球規模の地震による損失予測の時系列と精度を大幅に改善するエンドツーエンドフレームワークを提案する。 我々のフレームワークは,大規模言語モデル上に構築された階層的カジュアルさ抽出モデルと,迅速な設計,少数ショット学習を統合している。 我々は2022年と2022年の一連の世界地震でリアルタイムにこのフレームワークをテストし、我々のフレームワークが2021年までに手動の手法に匹敵する速度と精度を達成し、カジュアルなデータ検索を合理化していることを示す。
  論文  参考訳（メタデータ） (2023-12-04T17:09:58Z)
• On the Risk of Misinformation Pollution with Large Language Models [127.1107824751703]
  本稿では,現代大規模言語モデル (LLM) の誤用の可能性について検討する。 本研究は, LLMが効果的な誤情報発生器として機能し, DOQAシステムの性能が著しく低下することを明らかにする。
  論文  参考訳（メタデータ） (2023-05-23T04:10:26Z)
• A CNN-BiLSTM Model with Attention Mechanism for Earthquake Prediction [0.0]
  本稿では、注意機構(AM)、畳み込みニューラルネットワーク(CNN)、双方向長短期記憶(BiLSTM)モデルに基づく新しい予測手法を提案する。 中国本土の地震カタログに基づいて,各地域の地震の規模と規模を推定することができる。
  論文  参考訳（メタデータ） (2021-12-26T20:16:20Z)
• Learning from Multimodal and Multitemporal Earth Observation Data for Building Damage Mapping [17.324397643429638]
  我々は、損傷マッピングを構築するためのグローバルなマルチセンサとマルチテンポラルデータセットを開発した。 グローバルデータセットには、高解像度の光学画像と高解像度のマルチバンドSARデータが含まれている。 我々は、深層畳み込みニューラルネットワークアルゴリズムに基づいて、損傷建物の意味的セグメンテーションのための損傷マッピングフレームワークを定義した。
  論文  参考訳（メタデータ） (2020-09-14T05:04:19Z)

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。