We explore the relation between classical probabilistic models of information retrieval and the emerging language modeling approaches. It has long been recognized that the primary obstacle to effective performance of classical models is the need to estimate a relevance model: probabilities of words in the relevant class. We propose a novel technique for estimating these probabilities using the query alone. We demonstrate that our technique can produce highly accurate relevance models, addressing important notions of synonymy and polysemy. Our experiments show relevance models outperforming baseline language modeling systems on TREC retrieval and TDT tracking tasks. The main contribution of this work is an effective formal method for estimating a relevance model with no training data.

Libraries have traditionally used manual image annotation for indexing and then later retrieving their image collections. However, manual image annotation is an expensive and labor intensive procedure and hence there has been great interest in coming up with automatic ways to retrieve images based on content. Here, we propose an automatic approach to annotating and retrieving images based on a training set of images. We assume that regions in an image can be described using a small vocabulary of blobs. Blobs are generated from image features using clustering. Given a training set of images with annotations, we show that probabilistic models allow us to predict the probability of generating a word given the blobs in an image. This may be used to automatically annotate and retrieve images given a word as a query. We show that relevance models allow us to derive these probabilities in a natural way. Experiments show that the annotation performance of this cross-media relevance model is almost six times as good (in terms of mean precision) than a model based on word-blob co-occurrence model and twice as good as a state of the art model derived from machine translation. Our approach shows the usefulness of using formal information retrieval models for the task of image annotation and retrieval.

We explore the relation between classical probabilistic models of information retrieval and the emerging language modeling approaches. It has long been recognized that the primary obstacle to effective performance of classical models is the need to estimate arelevance model: probabilities of words in the relevant class. We propose a novel technique for estimating these probabilities using the query alone. We demonstrate that our technique can produce highly accurate relevance models, addressing important notions of synonymy and polysemy. Our experiments show relevance models outperforming baseline language modeling systems on TREC retrieval and TDT tracking tasks. The main contribution of this work is an effective formal method for estimating a relevance model with no training data.

Retrieving images in response to textual queries requires some knowledge of the semantics of the picture. Here, we show how we can do both automatic image annotation and retrieval (using one word queries) from images and videos using a multiple Bernoulli relevance model. The model assumes that a training set of images or videos along with keyword annotations is provided. Multiple keywords are provided for an image and the specific correspondence between a keyword and an image is not provided. Each image is partitioned into a set of rectangular regions and a real-valued feature vector is computed over these regions. The relevance model is a joint probability distribution of the word annotations and the image feature vectors and is computed using the training set. The word probabilities are estimated using a multiple Bernoulli model and the image feature probabilities using a non-parametric kernel density estimate. The model is then used to annotate images in a test set. We show experiments on both images from a standard Corel data set and a set of video key frames from NIST's video tree. Comparative experiments show that the model performs better than a model based on estimating word probabilities using the popular multinomial distribution. The results also show that our model significantly outperforms previously reported results on the task of image and video annotation.

column Share on On-Line New Event Detection and Tracking Authors: James Allan University of Massachusetts, Amherst, MA University of Massachusetts, Amherst, MAView Profile , Ron Papka University of Massachusetts, Amherst, MA University of Massachusetts, Amherst, MAView Profile , Victor Lavrenko University of Massachusetts, Amherst, MA University of Massachusetts, Amherst, MAView Profile Authors Info & Claims ACM SIGIR ForumVolume 51Issue 2July 2017 pp 185–193https://doi.org/10.1145/3130348.3130366Published:02 August 2017Publication History 11citation192DownloadsMetricsTotal Citations11Total Downloads192Last 12 Months7Last 6 weeks2 Get Citation AlertsNew Citation Alert added!This alert has been successfully added and will be sent to:You will be notified whenever a record that you have chosen has been cited.To manage your alert preferences, click on the button below.Manage my AlertsNew Citation Alert!Please log in to your account Save to BinderSave to BinderCreate a New BinderNameCancelCreateExport CitationPublisher SiteGet Access

Article On-line new event detection and tracking Share on Authors: James Allan Center for Intelligent Information Retrieval, Computer Science Department, University of Massachusetts, Amherst, MA Center for Intelligent Information Retrieval, Computer Science Department, University of Massachusetts, Amherst, MAView Profile , Ron Papka Center for Intelligent Information Retrieval, Computer Science Department, University of Massachusetts, Amherst, MA Center for Intelligent Information Retrieval, Computer Science Department, University of Massachusetts, Amherst, MAView Profile , Victor Lavrenko Center for Intelligent Information Retrieval, Computer Science Department, University of Massachusetts, Amherst, MA Center for Intelligent Information Retrieval, Computer Science Department, University of Massachusetts, Amherst, MAView Profile Authors Info & Claims SIGIR '98: Proceedings of the 21st annual international ACM SIGIR conference on Research and development in information retrievalAugust 1998 Pages 37–45https://doi.org/10.1145/290941.290954Online:01 August 1998Publication History 462citation4,318DownloadsMetricsTotal Citations462Total Downloads4,318Last 12 Months146Last 6 weeks18 Get Citation AlertsNew Citation Alert added!This alert has been successfully added and will be sent to:You will be notified whenever a record that you have chosen has been cited.To manage your alert preferences, click on the button below.Manage my AlertsNew Citation Alert!Please log in to your account Save to BinderSave to BinderCreate a New BinderNameCancelCreateExport CitationPublisher SiteGet Access

Libraries have traditionally used manual image annotation for indexing and then later retrieving their image collections. However, manual image annotation is an expensive and labor intensive procedure and hence there has been great interest in coming up with automatic ways to retrieve images based on content. Here, we propose an automatic approach to annotating and retrieving images based on a training set of images. We assume that regions in an image can be described using a small vocabulary of blobs. Blobs are generated from image features using clustering. Given a training set of images with annotations, we show that probabilistic models allow us to predict the probability of generating a word given the blobs in an image. This may be used to automatically annotate and retrieve images given a word as a query. We show that relevance models allow us to derive these probabilities in a natural way. Experiments show that the annotation performance of this cross-media relevance model is almost six times as good (in terms of mean precision) than a model based on word-blob co-occurrence model and twice as good as a state of the art model derived from machine translation. Our approach shows the usefulness of using formal information retrieval models for the task of image annotation and retrieval.

Twitter is a very popular way for people to share information on a bewildering multitude of topics. Tweets are propagated using a variety of channels: by following users or lists, by searching or by retweeting. Of these vectors, retweeting is arguably the most effective, as it can potentially reach the most people, given its viral nature. A key task is predicting if a tweet will be retweeted, and solving this problem furthers our understanding of message propagation within large user communities. We carry out a human experiment on the task of deciding whether a tweet will be retweeted which shows that the task is possible, as human performance levels are much above chance. Using a machine learning approach based on the passive-aggressive algorithm, we are able to automatically predict retweets as well as humans. Analyzing the learned model, we find that performance is dominated by social features, but that tweet features add a substantial boost.

ABSTRACT Large scale efforts to sequence whole human genomes provide extensive data on the non-coding portion of the genome. We used variation information from 11,257 human genomes to describe the spectrum of sequence conservation in the population. We established the genome-wide variability for each nucleotide in the context of the surrounding sequence in order to identify departure from expectation at the population level (context-dependent conservation). We characterized the population diversity for functional elements in the genome and identified the coordination of conserved sequences of distal and cis enhancers, chromatin marks, promoters, coding and intronic regions. The most context-dependent conserved regions of the genome are associated with unique functional annotations and a genomic organization that spreads up to one megabase. Importantly, these regions are enriched by over 100-fold of non-coding pathogenic variants. This analysis of human genetic diversity thus provides a detailed view of sequence conservation, functional constraint and genomic organization of the human genome. Specifically, it identifies highly conserved non-coding sequences that are not captured by analysis of interspecies conservation and are greatly enriched in disease variants.

There are three possible SARS-CoV-2 post-pandemic scenarios: (i) ongoing severity, (ii) influenza-like severity, and (iii) a transition to an endemic disease with lesser morbidity similar to that of other human coronaviruses. To assess a possible evolution of the pandemic under the three scenarios, we use data from the US National Covid Cohort Collaborative, CDC COVID-NET, and CDC Fluview and from the WastewaterSCAN Dashboard. We include influenza disease and treatment response as benchmark. The US National Covid Cohort Collaborative allows the quantification of viral-specific morbidity using electronic health records from 424,165 SARS-CoV-2 cases, 53,846 influenza cases, and 199,971 uninfected control subjects from 2021–2022. Evolution of hospitalization rates is estimated from the correlation between national SARS-CoV-2 and influenza hospitalization data and viral gene copies in wastewater. Our findings reveal that medically attended SARS-CoV-2 infections exhibit similar morbidity to influenza [indicative of scenario (ii)], but SARS-CoV-2 hospitalization rates are one order of magnitude lower than influenza when considering virus concentration in wastewater [indicative of scenario (iii)]. Moreover, SARS-CoV-2 displays a more favorable response to antiviral therapy. Our analysis confirms a rapid decline in SARS-CoV-2 morbidity as it transitions to an endemic state. The impact of SARS-CoV-2 infections has changed over time since the start of the pandemic. We use information about deaths and hospitalization from COVID-19 and combine it with data obtained from monitoring wastewater to study how patterns of infection have changed over time and how this compares with the impact of influenza. We show that recently there has been a marked decrease in SARS-CoV-2 infections leading to hospitalization, in contrast to stable rates of hospitalization for people infected with influenza. Our results suggest that SARS-CoV-2 is currently a persistent, i.e., endemic disease with less severe impact on most people who are infected. This information is helpful for hospitals and public health departments that monitor and prepare for infectious disease outbreaks. Bartha et al. investigate the evolution of SARS-CoV-2 towards an endemic state. Real world data on over 600,000 individuals and from wastewater surveillance show loss of SARS-CoV-2 virulence and patterns of morbidity similar to influenza.