論文の概要: Generalizing to Unseen Disaster Events: A Causal View

• arxiv url: http://arxiv.org/abs/2511.10120v1
• Date: Fri, 14 Nov 2025 01:33:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.704223
• Title: Generalizing to Unseen Disaster Events: A Causal View
• Title（参考訳）: 未知の災害イベントへの一般化:因果的視点
• Authors: Philipp Seeberger, Steffen Freisinger, Tobias Bocklet, Korbinian Riedhammer,
• Abstract要約: 本稿では,イベントやドメインに関するバイアスを低減し,将来のイベントへの一般化を促進する手法を提案する。 このアプローチは、最大+1.9%のF1で複数のベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 17.9089265435157
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to the rapid growth of social media platforms, these tools have become essential for monitoring information during ongoing disaster events. However, extracting valuable insights requires real-time processing of vast amounts of data. A major challenge in existing systems is their exposure to event-related biases, which negatively affects their ability to generalize to emerging events. While recent advancements in debiasing and causal learning offer promising solutions, they remain underexplored in the disaster event domain. In this work, we approach bias mitigation through a causal lens and propose a method to reduce event- and domain-related biases, enhancing generalization to future events. Our approach outperforms multiple baselines by up to +1.9% F1 and significantly improves a PLM-based classifier across three disaster classification tasks.
• Abstract（参考訳）: ソーシャルメディアプラットフォームが急速に成長しているため、これらのツールは進行中の災害時の情報監視に欠かせないものとなっている。 しかし、貴重な洞察を抽出するには、膨大な量のデータをリアルタイムに処理する必要がある。 既存システムにおける大きな課題は、イベント関連のバイアスにさらされることであり、新興イベントに一般化する能力に悪影響を及ぼす。 認知症や因果学習の最近の進歩は有望な解決策を提供するが、災害イベント領域では未探索のままである。 本研究では、因果レンズによるバイアス緩和にアプローチし、事象関連バイアスを低減し、将来の事象への一般化を促進する方法を提案する。 提案手法は, 最大1.9%のF1で複数のベースラインを上回り, 3つの災害分類タスクにおいて, PLMに基づく分類器を大幅に改善する。

関連論文リスト

• Enhancing Trustworthiness and Minimising Bias Issues in Leveraging Social Media Data for Disaster Management Response [0.1499944454332829]
  リアルタイムデータを活用することは、データの不確実性に大きく対処し、災害対応努力を強化することができる。 ソーシャルメディアは、災害前後のソーシャルメディアの利用が盛んに行われているため、リアルタイムデータの効果的な源泉として現れている。 また、これらのデータの信頼性とバイアスに関する課題も生み出します。 信頼性を高めバイアスを最小化するために使用できる要因を調査し、特定することを目的としている。
  論文  参考訳（メタデータ） (2024-08-15T10:59:20Z)
• CrisisSense-LLM: Instruction Fine-Tuned Large Language Model for Multi-label Social Media Text Classification in Disaster Informatics [50.122541222825156]
  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)
• 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)
• DeCrisisMB: Debiased Semi-Supervised Learning for Crisis Tweet Classification via Memory Bank [52.20298962359658]
  危機イベントにおいて、人々は、状況、警告、アドバイス、サポートに関する情報を広めるために、Twitterのようなソーシャルメディアプラットフォームを使うことが多い。 完全に教師されたアプローチでは、大量のデータを注釈付けする必要があります。 半教師付きモデルは偏りがあり、特定のクラスでは適度に機能し、他のクラスでは極めて貧弱である。 本稿では,メモリバンクを用いて,各学習クラスから生成された擬似ラベルを等しくサンプリングする,単純かつ効果的なデバイアス処理手法であるDeCrisisMBを提案する。
  論文  参考訳（メタデータ） (2023-10-23T05:25:51Z)
• A Survey on Societal Event Forecasting with Deep Learning [12.343312954353639]
  我々は、社会的出来事の2つの領域(textitcivil unrestとtextitcrime)に焦点を当てる。 まず、機械学習予測タスクとしてイベント予測問題を定式化する方法を紹介し、次に、データリソース、従来の手法、そしてこれらの問題に対する最近のディープラーニングモデルの開発について要約する。
  論文  参考訳（メタデータ） (2021-12-12T22:57:22Z)
• Event-Related Bias Removal for Real-time Disaster Events [67.2965372987723]
  ソーシャルメディアは、自然災害や大量攻撃などの危機事象に関する情報を共有する重要なツールとなっている。 有用な情報を含む実行可能なポストを検出するには、大量のデータをリアルタイムに高速に分析する必要がある。 我々は、潜在事象固有のバイアスを除去し、ツイート重要度分類の性能を向上させるために、敵対的ニューラルモデルを訓練する。
  論文  参考訳（メタデータ） (2020-11-02T02:03:07Z)
• 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。