EventMapper：利用佐证性与概率性信源检测现实世界物理事件
信息检索
2020-01-24 v1 计算与语言
机器学习
摘要
社交媒体的普及使其成为物理事件（如灾害）检测的丰富信源，并有望作为危机管理资源调配的潜在资源。近期已有一些工作利用社交媒体信源对地震或飓风等大型事件进行回顾式、事后事件检测。类似地，利用气候卫星等传统物理传感器进行区域事件检测有着悠久历史。然而，将社交媒体与佐证性物理传感器结合用于实时、准确且全球性的物理事件检测仍属未探索领域。本文提出 EventMapper，一个支持对小但同样代价高昂的事件（山体滑坡、洪水、野火）进行事件识别的框架。EventMapper 将高延迟、高精度的佐证性信源（如物理传感器）与低延迟、含噪的概率性信源（如社交媒体流）相整合，以提供实时、全球性的事件识别。此外，EventMapper 对概念漂移现象具有韧性，该现象指机器学习模型需持续微调以维持高性能。通过利用概率性与佐证性信源的共同特征，EventMapper 实现了机器学习模型的更新、维护与微调自动化。我们描述了基于 EventMapper 构建的三个用于山体滑坡、野火与洪水检测的应用。
引用
@article{arxiv.2001.08700,
title = {EventMapper: Detecting Real-World Physical Events Using Corroborative and Probabilistic Sources},
author = {Abhijit Suprem and Calton Pu},
journal= {arXiv preprint arXiv:2001.08700},
year = {2020}
}