論文の概要: CaST: Causal Discovery via Spatio-Temporal Graphs in Disaster Tweets

• arxiv url: http://arxiv.org/abs/2602.02601v1
• Date: Sun, 01 Feb 2026 17:45:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:14.969296
• Title: CaST: Causal Discovery via Spatio-Temporal Graphs in Disaster Tweets
• Title（参考訳）: CaST:災害ツイートの時空間グラフによる因果発見
• Authors: Hieu Duong, Eugene Levin, Todd Gary, Long Nguyen,
• Abstract要約: Causal Discovery via Spatio-Temporal Graphs (CaST): 災害領域における因果発見のための統一されたフレームワーク。 ハリケーン・ハーベイで収集された約167万件の災害関連ツイートの社内データセットを構築した。
• 参考スコア（独自算出の注目度）: 1.277452693606793
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding causality between real-world events from social media is essential for situational awareness, yet existing causal discovery methods often overlook the interplay between semantic, spatial, and temporal contexts. We propose CaST: Causal Discovery via Spatio-Temporal Graphs, a unified framework for causal discovery in disaster domain that integrates semantic similarity and spatio-temporal proximity using Large Language Models (LLMs) pretrained on disaster datasets. CaST constructs an event graph for each window of tweets. Each event extracted from tweets is represented as a node embedding enriched with its contextual semantics, geographic coordinates, and temporal features. These event nodes are then connected to form a spatio-temporal event graph, which is processed using a multi-head Graph Attention Network (GAT) \cite{gat} to learn directed causal relationships. We construct an in-house dataset of approximately 167K disaster-related tweets collected during Hurricane Harvey and annotated following the MAVEN-ERE schema. Experimental results show that CaST achieves superior performance over both traditional and state-of-the-art methods. Ablation studies further confirm that incorporating spatial and temporal signals substantially improves both recall and stability during training. Overall, CaST demonstrates that integrating spatio-temporal reasoning into event graphs enables more robust and interpretable causal discovery in disaster-related social media text.
• Abstract（参考訳）: ソーシャルメディアから現実の出来事間の因果関係を理解することは状況認識に不可欠であるが、既存の因果的発見法はしばしば意味的、空間的、時間的文脈間の相互作用を見落としている。 CaST: Causal Discovery via Spatio-Temporal Graphs - 災害領域における因果発見のための統一フレームワーク。 CaSTは、ツイートのウィンドウ毎にイベントグラフを構築する。 ツイートから抽出された各イベントは、コンテキストセマンティクス、地理的座標、時間的特徴に富んだノード埋め込みとして表現される。 これらのイベントノードは、時空間のイベントグラフを形成するために接続され、マルチヘッドグラフアテンションネットワーク(GAT) \cite{gat}を使用して処理され、直接因果関係を学習する。 ハリケーン・ハーベイで収集された約167万件の災害関連ツイートを,MAVEN-EREスキーマに従ってアノテートした社内データセットを構築した。 実験結果から,CaSTは従来法および最先端法よりも優れた性能を示した。 アブレーション研究により、空間的信号と時間的信号を組み合わせることで、トレーニング中のリコールと安定性が大幅に向上することが確認された。 全体として、CaSTは、時空間推論をイベントグラフに統合することで、災害関連ソーシャルメディアテキストにおけるより堅牢で解釈可能な因果発見が可能になることを実証している。

関連論文リスト

• Causal Graph based Event Reasoning using Semantic Relation Experts [56.328115024900725]
  本稿では,大規模言語モデル(LLM)が推論中の因果関係を明確に表現するための並列メカニズムとして,因果事象グラフの生成について検討する。 LLMを用いて特定の意味関係に着目した専門家をシミュレートする因果グラフ生成のための協調的アプローチを提案する。 また、説明にイベントの因果連鎖を必要とする、説明可能なイベント予測タスクも導入する。
  論文  参考訳（メタデータ） (2025-06-07T20:15:45Z)
• Towards Effective, Efficient and Unsupervised Social Event Detection in the Hyperbolic Space [54.936897625837474]
  この記事では、教師なしフレームワークHyperSED(Hyperbolic SED)を紹介します。 具体的には、まずソーシャルメッセージをセマンティックベースのメッセージアンカーにモデル化し、次にアンカーグラフの構造を利用する。 公開データセットの実験では、HyperSEDの競合性能と、大幅な効率向上が示されている。
  論文  参考訳（メタデータ） (2024-12-14T06:55:27Z)
• 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)
• Logic and Commonsense-Guided Temporal Knowledge Graph Completion [9.868206060374991]
  時間的知識グラフ(TKG)は、時間を含むデータから派生した事象を記憶する。 本稿では,時系列やイベントの因果性を含む時間依存表現を協調的に学習するためのLCGE(Logic and Commonsense-Guided Embedding Model)を提案する。
  論文  参考訳（メタデータ） (2022-11-30T10:06:55Z)
• GeoAI for Knowledge Graph Construction: Identifying Causality Between Cascading Events to Support Environmental Resilience Research [3.3072870202596736]
  本稿では,災害イベントの因果関係を特定するためのGeoAIソリューションについて紹介する。 我々のソリューションは、イベント知識基盤を強化し、大きな知識グラフでリンクされたカスケードイベントの探索を可能にします。
  論文  参考訳（メタデータ） (2022-11-11T05:31:03Z)
• Evidential Temporal-aware Graph-based Social Event Detection via Dempster-Shafer Theory [76.4580340399321]
  ETGNN(Evidential Temporal-aware Graph Neural Network)を提案する。 ノードがテキストであり、エッジがそれぞれ複数の共有要素によって決定されるビュー固有グラフを構築する。 ビュー固有の不確実性を考慮すると、すべてのビューの表現は、明らかなディープラーニング(EDL)ニューラルネットワークを介してマス関数に変換される。
  論文  参考訳（メタデータ） (2022-05-24T16:22:40Z)
• Spatial-Temporal Sequential Hypergraph Network for Crime Prediction [56.41899180029119]
  本稿では,複合犯罪の時空間パターンを包括的に符号化する時空間逐次ハイパーグラフネットワーク(ST-SHN)を提案する。 特に、長距離及びグローバルなコンテキスト下での時空間力学を扱うために、グラフ構造化されたメッセージパッシングアーキテクチャを設計する。 提案するST-SHNフレームワークは予測性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-01-07T12:46:50Z)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
  近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。 本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)
• Extracting Event Temporal Relations via Hyperbolic Geometry [18.068466562913923]
  双曲空間における事象とその時間的関係をエンコードする2つのアプローチを導入する。 あるアプローチでは、双曲的埋め込みを利用して、単純な幾何学的操作を通じて事象関係を直接推論する。 第2に、時間的関係抽出作業に適した双曲型ニューラルネットワークユニットからなるエンドツーエンドアーキテクチャを考案する。
  論文  参考訳（メタデータ） (2021-09-12T14:40:13Z)

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。