論文の概要: Predicting Post Virality with Temporal Cross-Attention over Trend Signals
- arxiv url: http://arxiv.org/abs/2605.02358v2
- Date: Tue, 05 May 2026 01:40:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-06 14:45:21.334388
- Title: Predicting Post Virality with Temporal Cross-Attention over Trend Signals
- Title（参考訳）: トレンド信号に対する時間的交差注意による姿勢の正当性予測
- Authors: Sarvagya Somvanshi, Mohan Xu, Rakhi Chadalavada, Nathan Canera,
- Abstract要約: 本研究では,現実の注目信号が,ポストテキストだけでなく,ソーシャルメディアのバイラル性の予測を改善することができるかどうかを考察する。
ウィキペディアのページビューのスパイクから派生した時間信号と内部プラットフォーム表現を融合させることでRedditのポストバイラル性を予測できるアーキテクチャであるViralityNetを紹介した。
- 参考スコア（独自算出の注目度）: 1.4396133551696642
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Current models for predicting social media virality rely heavily on static textual and structural features, effectively ignoring the highly dynamic nature of trend signals. We study whether real-world attention signals can improve the prediction of social-media virality beyond what post text alone reveals. We introduce ViralityNet, an architecture that predicts Reddit post virality by fusing internal platform representations with exogenous temporal signals derived from Wikipedia pageview spikes. We frame virality as a binary classification task that accounts for differences in subreddit scale, labeling posts as viral if they exceed the 90th percentile of per-subreddit engagement and a minimum absolute score threshold. ViralityNet combines four post-level streams: title embeddings, body embeddings, structural metadata, and learned subreddit embeddings with a cross-attention block that queries a daily sliding-window trends matrix encoding the top-512 Wikipedia spike terms from the preceding seven days. Empirical results suggest that incorporating external attention signals yields consistent gains, outperforming text-only baselines by +0.015 AUC-PR and achieving an overall AUC-ROC of 0.836. Overall, we provide evidence that incorporating external attention signals yields measurable improvements over text-only baselines, highlighting the importance of real-world dynamics in shaping online virality.
- Abstract（参考訳）: ソーシャルメディアのバイラル性を予測するための現在のモデルは静的テキストと構造的特徴に大きく依存しており、トレンド信号の非常にダイナミックな性質を無視している。
本研究では,現実の注目信号が,ポストテキストだけでなく,ソーシャルメディアのバイラル性の予測を改善することができるかどうかを考察する。
ウィキペディアのページビューのスパイクから派生した外因性時間信号と内部プラットフォーム表現を融合させることでRedditのポストバイラル性を予測できるアーキテクチャであるViralityNetを紹介した。
我々は、サブレディット尺度の違いを考慮に入れたバイナリ分類タスクとしてバイラル性を設定し、サブレディット単位のエンゲージメントの90%を超え、絶対スコア閾値が最小となる場合、ポストをバイラルとしてラベル付けする。
ViralityNetは、タイトル埋め込み、ボディ埋め込み、構造メタデータ、学習されたサブレディット埋め込みの4つのポストレベルストリームと、過去7日間のウィキペディアのスパイク用語をエンコードする日次スライディングウィンドウトレンドマトリックスをクエリするクロスアテンションブロックを組み合わせる。
実験結果から,外部注意信号の導入は,テキストのみのベースラインを+0.015 AUC-PRで上回り,全体的なAUC-ROCは0.836。
全体として、外部からの注意信号が組み込まれれば、テキストのみのベースラインよりも測定可能な改善が得られ、オンラインバイラル化の形成における現実世界のダイナミクスの重要性が強調される。
関連論文リスト
- From Narrow to Panoramic Vision: Attention-Guided Cold-Start Reshapes Multimodal Reasoning [72.4876727619987]
推論性能は視覚注意スコア(VAS)と強く相関していることがわかった。
その因果的役割を検証するため、推論中の注意配分を直接調整する訓練不要な介入を設計する。
本研究では、視覚的アンコールデータ合成、注意誘導目的、視覚的アンコール報酬形成を統合した総合的なコールドスタートフレームワークである注意誘導視覚アンコールとリフレクションを提案する。
論文 参考訳（メタデータ） (2026-03-04T08:22:27Z) - Cross-modal Proxy Evolving for OOD Detection with Vision-Language Models [59.242742594156546]
CoEvoは、テキストプロキシとビジュアルプロキシの両方を双方向でサンプル条件で適応するテストタイムフレームワークである。
CoEvoは最先端のパフォーマンスを実現し、AUROCを1.33%改善し、ImageNet-1KではFPR95を45.98%削減した。
論文 参考訳（メタデータ） (2026-01-13T12:08:26Z) - Ahead of the Spread: Agent-Driven Virtual Propagation for Early Fake News Detection [30.547636224797376]
偽ニュース下線検出のためのアンダーラインアゲイン駆動型アンダーラインオパガタンデリオンであるAVOIDを提案する。
AVOIDは、早期検出を、受動的に観察されるのではなく、伝播信号を積極的にシミュレートするエビデンス生成の新しいパラダイムとして再構成する。
論文 参考訳（メタデータ） (2026-01-06T06:36:43Z) - What Signals Really Matter for Misinformation Tasks? Evaluating Fake-News Detection and Virality Prediction under Real-World Constraints [0.08496348835248901]
本稿では,偽ニュース検出とバイラル性予測という,オンライン誤報に関する2つの実践的課題について検討する。
テキストコンテンツだけでは偽ニュース検出の強力な差別化要因であることを示す。
本稿では,現場に現実的に影響を及ぼす評価設計や報告制約の影響について論じる。
論文 参考訳（メタデータ） (2025-12-02T09:24:16Z) - Detecting Early and Implicit Suicidal Ideation via Longitudinal and Information Environment Signals on Social Media [12.559986358231633]
ソーシャルメディア上では、自殺観念(SI)を経験している多くの人は、その苦悩を明示的に明らかにしていない。
本研究では,ユーザの情報環境をモデル化する計算フレームワークを開発し,その長手姿勢履歴と近親者の談話の両方から構成する。
Redditで1000人(500ケースと500コントロール)を対象にした調査では、個人のみのベースラインよりも早期かつ暗黙的なSI検出が15%向上した。
論文 参考訳（メタデータ） (2025-10-16T17:09:14Z) - Early Multimodal Prediction of Cross-Lingual Meme Virality on Reddit: A Time-Window Analysis [0.29949629644252374]
本研究では,25のRedditコミュニティの大規模言語間データセットを用いて,ミームウイルスの早期予測の可能性について検討した。
本稿では,ハイブリッドエンゲージメントスコアに基づいてバイラル性を定義するための,ロバストでデータ駆動型の手法を提案する。
私たちの最高のパフォーマンスモデルであるXGBoostは、PR-AUC $> 0.52を30分で達成しています。
論文 参考訳（メタデータ） (2025-10-07T10:27:36Z) - When Does Multimodality Lead to Better Time Series Forecasting? [96.26052272121615]
このようなマルチモーダルな統合が常に利益をもたらすかどうか、どのような条件で検討する。
その結果,マルチモーダリティの利点は条件に依存していることが判明した。
我々の研究は、マルチモーダリティが予測タスクに役立つことをいつ予測できるかを理解するための厳密で定量的な基礎を提供する。
論文 参考訳（メタデータ） (2025-06-20T23:55:56Z) - Cluster-Aware Attacks on Graph Watermarks [50.19105800063768]
本稿では,コミュニティ誘導型修正を回避できるクラスタ・アウェア・脅威モデルを提案する。
その結果,クラスタ・アウェア・アタックは,ランダムなベースラインよりも最大80%の精度でアトリビューション精度を低下させることができることがわかった。
グラフコミュニティにまたがる透かしノードを分散する軽量な埋め込み拡張を提案する。
論文 参考訳（メタデータ） (2025-04-24T22:49:28Z) - TRACE: Textual Relevance Augmentation and Contextual Encoding for Multimodal Hate Detection [15.240092636523277]
ソーシャルメディアのミームは、文化的にニュアンスのあるメッセージに視覚的およびテキスト的手がかりを織り込むため、ヘイト検出の難しい領域である。
これらの課題に対処するために,視覚的に基盤付けられたコンテキスト拡張を活用する階層型マルチモーダルフレームワークであるTRACEを導入する。
我々のフレームワークは、広く使われているHateful Memesデータセット上で、最先端の精度(0.807)とF1スコア(0.806)を達成する。
論文 参考訳（メタデータ） (2025-04-24T19:27:55Z) - Epidemiology-informed Network for Robust Rumor Detection [59.89351792706995]
本稿では, 疫学知識を統合し, 性能を高めるための新しい疫学情報ネットワーク(EIN)を提案する。
疫学理論をうわさ検出に適応させるため,各利用者が情報源情報に対する姿勢を付加することが期待されている。
実験結果から,提案したEINは実世界のデータセット上で最先端の手法より優れるだけでなく,樹木の深度にまたがる堅牢性も向上することが示された。
論文 参考訳（メタデータ） (2024-11-20T00:43:32Z) - Learning to Combine Top-Down and Bottom-Up Signals in Recurrent Neural
Networks with Attention over Modules [81.1967157385085]
ロバスト知覚はボトムアップ信号とトップダウン信号の両方に依存している。
ボトムアップ信号とトップダウン信号が動的に結合されるディープリカレントニューラルネットワークアーキテクチャについて検討する。
言語モデリング、逐次画像分類、映像予測、強化学習における様々なベンチマークにおいて、遠方方向情報フローが強いベースライン上で結果を改善することを実証する。
論文 参考訳（メタデータ） (2020-06-30T17:26:19Z)
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。