論文の概要: Measuring Time-Horizon Engagement Effectiveness: Persistence, Recency, and Re-Emergence
- arxiv url: http://arxiv.org/abs/2609.14474v1
- Date: Sun, 13 Sep 2026 12:29:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 12:40:38.831947
- Title: Measuring Time-Horizon Engagement Effectiveness: Persistence, Recency, and Re-Emergence
- Title（参考訳）: 時間-水平エンゲージメント効果の測定:持続性, 持続性, 再帰性
- Abstract要約: Time-Horizon Engagement Effectiveness (TH-EE) フレームワークは、オンライン注意の時間プロファイルを解釈可能な構成である。
集中バーストから分散活性を区別し、電流重み付けによる時間次感度を導入し、定義された休眠時間後に再活性化活性を識別する。
その結果、オンライン注意の別次元として、持続性、相対性、再帰性の治療が支援された。
- 参考スコア（独自算出の注目度）: 3.510953316355838
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Online attention is commonly summarized using cumulative volume, peak activity, or arithmetic averages, but such measures can obscure differences between activity that is sustained over time, concentrated near the present, or renewed after dormancy. This paper introduces the Time-Horizon Engagement Effectiveness (TH-EE) framework, which constructs interpretable temporal profiles of online attention by distinguishing three related but non-equivalent properties: persistence, recency, and re-emergence. We evaluate the framework through controlled engagement traces, a proof-of-concept application to 1,850 YouTube videos across 37 topics (18 cohorts selected a priori as exemplars of persistent, acute, cyclical, and recently originating attention, and 19 cohorts corresponding to authoritatively debunked claims), and an event-level validation on eleven years of daily Wikipedia pageview series for the same topics. The controlled analyses show that the framework distinguishes distributed activity from concentrated bursts, introduces temporal-order sensitivity through recency weighting, and identifies renewed activity after a defined dormant interval. On the event-level series, the framework's reactivations co-locate with Kleinberg burst onsets, and PELT change points far more often than chance. The YouTube application shows that debunked-claim cohorts do not occupy a unique region of temporal-profile space; they exhibit heterogeneous patterns that overlap substantially with benign topics. These results support treating persistence, recency, and re-emergence as separate dimensions of online attention. TH-EE is a descriptive and comparative measurement framework, not a classifier of misinformation, coordination, intent, or content veracity.
- Abstract（参考訳）: オンラインの注意は、累積ボリューム、ピークアクティビティ、算術平均を用いて要約されることが多いが、これらの尺度は、時間とともに持続し、現在近くに集中し、休眠後に更新されるアクティビティの相違を曖昧にすることができる。
本稿では、時間-水平エンゲージメント・エフェクトネス(TH-EE)フレームワークを紹介し、オンラインの注意の時間的プロファイルを3つの関連性、すなわち持続性、相対性、再帰性を区別することにより、解釈可能な時間的プロファイルを構築する。
我々は,このフレームワークを,制御されたエンゲージメントトレース,37トピックにわたる1,850件のYouTubeビデオに対する概念実証アプリケーション(コホート)を通じて評価した。
制御された分析結果から, 集中バーストから分布活性を区別し, 直流重み付けによる時間次感度を導入し, 定義した休眠間隔後の再活性化活性を同定した。
イベントレベルのシリーズでは、フレームワークのリアクションはKleinbergのバーストオンセットと同一位置にあり、PELTの変更ポイントは偶然よりもはるかに多い。
YouTubeのアプリケーションでは、宣言されたコホートが時間的な特徴のある空間のユニークな領域を占有していないことが示されており、それらは良質なトピックと大きく重なる異質なパターンを示している。
これらの結果は、持続性、相対性、再帰性をオンライン注意の別次元として扱うことを支援する。
TH-EEは記述的かつ比較的な測定フレームワークであり、誤情報、調整、意図、内容の妥当性の分類器ではない。
関連論文リスト
- From Concentration to Differentiation and Back: Routing Effective Rank in MoE Reasoning Cohorts [61.695980784491475]
テストタイムスケーリングは、推論ロールアウトのコホートを生成するが、推論が展開するにつれて内部計算がどのように再編成されるかについて、標準的なラベルのない説明はない。
本稿では,MoEの専門家による類似性から構築したクロスロールアウトグラフのエントロピー有効次元性であるルーティング有効ランクデフを導入する。
論文 参考訳（メタデータ） (2026-09-06T05:43:22Z) - ReTAMamba: Reliability-Aware Temporal Aggregation with Mamba for Irregular Clinical Time Series Prediction [3.5795275871379704]
臨床時系列データは、不規則なサンプリング、頻繁な欠落値、不均一な観察パターンを示すため、モデル化が困難である。
既存のアプローチでは、観測マスクとタイムギャップ情報を用いることが多いが、過去の観測の信頼性の低下を継続的に捉えているわけではない。
我々は,臨床時系列を時間可変トークンシーケンスとして再構成したMambaを用いた信頼性を考慮したテンポラルアグリゲーションを提案する。
論文 参考訳（メタデータ） (2026-05-11T02:39:33Z) - Tracking the Truth: Object-Centric Spatio-Temporal Monitoring for Video Large Language Models [154.39583176906893]
大規模言語モデル(ML)は高度な理解を持ち、シーンにおける幻覚の傾向が高い。
これは、時間的モニタリングの失敗、オブジェクトの動的アイデンティティ、状態、そして時間とともに関係を永続的に追跡する能力に起因している、と我々は主張する。
既存のベンチマークでは、局所的な視覚的手がかりや統計的先行によってしばしば解決される1つの最終回答クエリに頼って、この欠陥を曖昧にしている。
論文 参考訳（メタデータ） (2026-05-09T14:32:36Z) - The Coordination Gap: Alternation Metrics for Temporal Dynamics in Multi-Agent Battle of the Exes [0.0]
マルコフゲームとして,BoEから派生したエグゼスの戦いのマルチエージェント変種について検討する。
高い総括的な支払いは、時間的調整の貧弱さと共存できることを示す。
論文 参考訳（メタデータ） (2026-03-06T00:43:53Z) - Benchmarking LLM Summaries of Multimodal Clinical Time Series for Remote Monitoring [6.415950855665798]
大規模言語モデル(LLMs)は遠隔治療監視時系列の流動的な臨床要約を生成することができる。
既存の評価指標は主に意味的類似性と言語的品質に重点を置いており、事象レベルの正確性はほとんど測定されていない。
本稿では,TIHM(Technology-Integrated Health Management)-1.5認知症モニタリングデータセットを用いたマルチモーダル時系列要約のためのイベントベース評価フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-02T07:33:11Z) - Attention in Constant Time: Vashista Sparse Attention for Long-Context Decoding with Exponential Guarantees [0.0]
大規模な言語モデルは、長いコンテキストに対する推論コストの大部分を注意に費やします。
我々はこの現象をキーベクトルの凸殻への射影として注意をモデル化することによって定式化する。
本稿では,クエリ毎に小さな候補セットを保持するドロップイン機構であるVasista Sparse Attentionを紹介する。
論文 参考訳（メタデータ） (2026-02-14T14:29:10Z) - On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。
ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。
我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
論文 参考訳（メタデータ） (2024-05-24T08:08:05Z) - Temporally Disentangled Representation Learning under Unknown Nonstationarity [35.195001384417395]
我々は、時間遅れの潜伏因果変数を再構成するために、原則的推定フレームワークNCTRLを導入する。
経験的評価は、時間遅れの潜伏因果関係の信頼性を実証した。
論文 参考訳（メタデータ） (2023-10-28T06:46:03Z) - DIR-AS: Decoupling Individual Identification and Temporal Reasoning for
Action Segmentation [84.78383981697377]
完全な教師付きアクションセグメンテーションは、高密度アノテーションによるフレームワイドアクション認識に作用し、しばしば過剰なセグメンテーションの問題に悩まされる。
本研究では, 時間的ピラミッド拡張と時間的ピラミッドプールを併用して, 効率的なマルチスケールアテンションを実現するため, 新たなローカル・グローバルアテンション機構を開発した。
GTEAでは82.8%(+2.6%)、Breakfastでは74.7%(+1.2%)の精度を実現し,本手法の有効性を示した。
論文 参考訳（メタデータ） (2023-04-04T20:27:18Z) - An Empirical Study: Extensive Deep Temporal Point Process [61.14164208094238]
本稿では,非同期イベントシーケンスを時間的プロセスでモデル化することの課題と最近の研究を概観する。
本稿では,多種類のイベント間の関係を生かしたGranger因果発見フレームワークを提案する。
論文 参考訳（メタデータ） (2021-10-19T10:15:00Z) - Anomaly Transformer: Time Series Anomaly Detection with Association
Discrepancy [68.86835407617778]
Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。
Anomaly Transformerは、6つの教師なし時系列異常検出ベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2021-10-06T10:33:55Z)
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。