論文の概要: Multi-source Heterogeneous Public Opinion Analysis via Collaborative Reasoning and Adaptive Fusion: A Systematically Integrated Approach
- arxiv url: http://arxiv.org/abs/2602.15857v1
- Date: Sun, 25 Jan 2026 11:07:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-23 12:01:13.657228
- Title: Multi-source Heterogeneous Public Opinion Analysis via Collaborative Reasoning and Adaptive Fusion: A Systematically Integrated Approach
- Title（参考訳）: 協調推論と適応融合による多ソース不均一な公開オピニオン分析 : システム統合的アプローチ
- Authors: Yi Liu,
- Abstract要約: 本稿では,新しい協調推論・適応融合(CRAF)フレームワークを提案する。
CRAFは、構造化された多段階推論機構を通じて、従来の特徴ベースのメソッドと大きな言語モデル(LLM)を統合する。
このフレームワークは強力なクロスプラットフォーム適応性を示し、新しいプラットフォームのラベル付きデータ要件を75%削減する。
- 参考スコア（独自算出の注目度）: 4.28787537081191
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The analysis of public opinion from multiple heterogeneous sources presents significant challenges due to structural differences, semantic variations, and platform-specific biases. This paper introduces a novel Collaborative Reasoning and Adaptive Fusion (CRAF) framework that systematically integrates traditional feature-based methods with large language models (LLMs) through a structured multi-stage reasoning mechanism. Our approach features four key innovations: (1) a cross-platform collaborative attention module that aligns semantic representations while preserving source-specific characteristics, (2) a hierarchical adaptive fusion mechanism that dynamically weights features based on both data quality and task requirements, (3) a joint optimization strategy that simultaneously learns topic representations and sentiment distributions through shared latent spaces, and (4) a novel multimodal extraction capability that processes video content from platforms like Douyin and Kuaishou by integrating OCR, ASR, and visual sentiment analysis. Theoretical analysis demonstrates that CRAF achieves a tighter generalization bound with a reduction of O(sqrt(d log K / m)) compared to independent source modeling, where d is feature dimensionality, K is the number of sources, and m is sample size. Comprehensive experiments on three multi-platform datasets (Weibo-12, CrossPlatform-15, NewsForum-8) show that CRAF achieves an average topic clustering ARI of 0.76 (4.1% improvement over best baseline) and sentiment analysis F1-score of 0.84 (3.8% improvement). The framework exhibits strong cross-platform adaptability, reducing the labeled data requirement for new platforms by 75%.
- Abstract（参考訳）: 複数の異種情報源からの世論の分析は、構造的差異、意味的変異、プラットフォーム固有の偏見などによる大きな課題を呈している。
本稿では,大規模言語モデル (LLM) と従来の特徴に基づく手法を体系的に統合する,新しい協調推論・適応融合(CRAF)フレームワークを提案する。
提案手法は,(1)データ品質とタスク要求の両方に基づいて特徴を動的に重み付けする階層的適応融合機構,(3)トピック表現と感情分布を同時に学習する共同最適化戦略,(4)OCR,ASR,視覚的感情分析を統合して,DouyinやKuaishouなどのプラットフォームからビデオコンテンツを処理する新たなマルチモーダル抽出機能である。
理論的解析により、CRAF は独立情報源モデリングと比較して O(sqrt(d log K / m)) の還元に縛られ、d は特徴次元、K は情報源数、m はサンプルサイズでより厳密な一般化を実現することが示されている。
3つのマルチプラットフォームデータセット(Weibo-12、CrossPlatform-15、NewsForum-8)に関する総合的な実験によると、CRAFは平均トピッククラスタリングARIが0.76(最良のベースラインよりも4.1%改善)、感情分析F1スコアが0.84(3.8%改善)である。
このフレームワークは強力なクロスプラットフォーム適応性を示し、新しいプラットフォームのラベル付きデータ要件を75%削減する。
関連論文リスト
- FysicsWorld: A Unified Full-Modality Benchmark for Any-to-Any Understanding, Generation, and Reasoning [52.88164697048371]
FysicsWorldは、画像、ビデオ、オーディオ、テキスト間の双方向入力出力をサポートする最初の統一されたフルモダリティベンチマークである。
FysicsWorldには16の主要なタスクと3,268のキュレートされたサンプルが含まれており、40以上の高品質なソースから集約されている。
論文 参考訳（メタデータ） (2025-12-14T16:41:29Z) - scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration [53.683726781791385]
単一セルマルチオミクス(ScMRDR)と呼ばれるスケーラブルでフレキシブルな生成フレームワークを導入する。
本手法は, バッチ補正, モダリティアライメント, 生体信号保存の観点から, ベンチマークデータセット上での優れた性能を実現する。
論文 参考訳（メタデータ） (2025-10-28T21:28:39Z) - Localized Kernel Projection Outlyingness: A Two-Stage Approach for Multi-Modal Outlier Detection [0.0]
Two-Stage LKPLOは、新しいマルチステージアウトレイラ検出フレームワークである。
従来の射影的手法の制約を克服する。
挑戦的なデータセットで最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2025-10-28T03:53:46Z) - MMR1: Enhancing Multimodal Reasoning with Variance-Aware Sampling and Open Resources [113.33902847941941]
VAS (Variance-Aware Sampling) は、Variance Promotion Score (VPS) によって導かれるデータ選択戦略である。
我々は、1.6MのCoT冷間開始データと15kのRLQAペアを含む大規模かつ慎重にキュレートされたリソースをリリースする。
数学的推論ベンチマークによる実験では、キュレートされたデータと提案されたVASの有効性が示されている。
論文 参考訳（メタデータ） (2025-09-25T14:58:29Z) - DRASP: A Dual-Resolution Attentive Statistics Pooling Framework for Automatic MOS Prediction [21.20778568616635]
本稿では,Dual-Resolution Attentive Statistics Pooling (DRASP) フレームワークを紹介する。
DRASPは、粗大でグローバルな統計要約と、知覚的に重要なセグメントの細粒で注意深い分析の両方を統合している。
さまざまなデータセットにまたがって、さまざまなベースラインメソッドを一貫して上回る。
論文 参考訳（メタデータ） (2025-08-29T08:27:17Z) - Heterogeneity-Aware Client Sampling: A Unified Solution for Consistent Federated Learning [31.50593149242509]
フェデレートラーニング(FL)は通常、多様なコミュニケーションと計算能力を持つクライアントを伴います。
FLにおける異種通信と計算が不整合を駆動するメカニズムを根本的に明らかにする。
汎用手法としてフェデレーテッド・ヘテロジニティ・アウェア・クライアントサンプリング(FedACS)を提案する。
論文 参考訳（メタデータ） (2025-05-16T14:31:36Z) - MindGYM: What Matters in Question Synthesis for Thinking-Centric Fine-Tuning? [51.85759493254735]
MindGYMは、質問合成のための構造化されスケーラブルなフレームワークである。
モデル合成の振る舞いを形作るために、高レベルの推論目的を注入する。
より深い推論のために、QAシードに基づいてより複雑なマルチホップ質問を構成する。
論文 参考訳（メタデータ） (2025-03-12T16:03:03Z) - Reducing Spurious Correlation for Federated Domain Generalization [15.864230656989854]
オープンワールドのシナリオでは、グローバルモデルは特定のメディアによってキャプチャされた全く新しいドメインデータをうまく予測するのに苦労する可能性がある。
既存の手法はまだこの問題に対処するために、サンプルとラベルの間の強い統計的相関に頼っている。
ローカルレベルとグローバルレベルでの全体的な最適化フレームワークであるFedCDを紹介します。
論文 参考訳（メタデータ） (2024-07-27T05:06:31Z) - DRFLM: Distributionally Robust Federated Learning with Inter-client
Noise via Local Mixup [58.894901088797376]
連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。
上記の2つの課題を同時に解決するための一般的な枠組みを提案する。
我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
論文 参考訳（メタデータ） (2022-04-16T08:08:29Z) - Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。
また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
論文 参考訳（メタデータ） (2020-12-01T11:46:03Z)
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。