論文の概要: Fake News in Social Networks

• arxiv url: http://arxiv.org/abs/1708.06233v2
• Date: Sun, 12 Oct 2025 20:21:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-19 15:11:19.280818
• Title: Fake News in Social Networks
• Title（参考訳）: ソーシャルネットワークにおけるフェイクニュース
• Authors: Christoph Aymanns, Jakob Foerster, Co-Pierre Georg, Matthias Weber,
• Abstract要約: ソーシャルネットワークにおける偽ニュースをモデリングするための新しい手法として,マルチエージェント強化学習を提案する。 高度につながりのある人々を標的にすれば、偽ニュース攻撃がより効果的であることがわかりました。 フェイクニュースは、クラスタ化されたネットワークよりもバランスの取れたネットワークではあまり広まらなかった。
• 参考スコア（独自算出の注目度）: 4.485176695359617
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose multi-agent reinforcement learning as a new method for modeling fake news in social networks. This method allows us to model human behavior in social networks both in unaccustomed populations and in populations that have adapted to the presence of fake news. In particular the latter is challenging for existing methods. We find that a fake-news attack is more effective if it targets highly connected people and people with weaker private information. Attacks are more effective when the disinformation is spread across several agents than when the disinformation is concentrated with more intensity on fewer agents. Furthermore, fake news spread less well in balanced networks than in clustered networks. We test a part of our findings in a human-subject experiment. The experimental evidence provides support for the predictions from the model, suggesting that the model is suitable to analyze the spread of fake news in social networks.
• Abstract（参考訳）: ソーシャルネットワークにおける偽ニュースをモデリングするための新しい手法として,マルチエージェント強化学習を提案する。 この手法により、不慣れな人口と偽ニュースの存在に適応した人口の両方において、ソーシャルネットワークにおける人間の行動のモデル化が可能となる。 特に後者は既存のメソッドでは難しいです。 高度につながりのある人々や、より弱い個人情報をターゲットとすれば、偽ニュース攻撃がより効果的であることに気付きました。 偽情報を複数のエージェントに分散させる場合よりも、偽情報をより少ないエージェントに強く集中させる場合よりも、攻撃はより効果的である。 さらに、フェイクニュースはクラスタ化されたネットワークよりもバランスの取れたネットワークではあまり広まらなかった。 人・物体実験において,本研究の成果の一部を検証した。 実験的なエビデンスにより、モデルからの予測が支持され、ソーシャルネットワークにおけるフェイクニュースの拡散を分析するのに適したモデルであることが示唆された。

関連論文リスト

• The Stepwise Deception: Simulating the Evolution from True News to Fake News with LLM Agents [33.92860158860716]
  これまでの研究では、フェイクニュースは徐々に形成するよりむしろ本質的に存在すると仮定されてきた。 本稿では,新たなLarge Language Model(LLM)に基づくシミュレーション手法であるFUSEを提案する。 その結果、FUSEはフェイクニュースの進化パターンを効果的に捉え、既知のフェイクニュースを正確に再現し、人間の評価と密接に一致していることがわかった。
  論文  参考訳（メタデータ） (2024-10-24T18:17:16Z)
• A Semi-supervised Fake News Detection using Sentiment Encoding and LSTM with Self-Attention [0.0]
  本研究では,感情分析を最先端の事前学習モデルによって獲得する半教師付き自己学習手法を提案する。 学習モデルは半教師付き方式で訓練され、LSTMに自己注意層を組み込む。 我々は,2万件のニュースコンテンツをデータセットにベンチマークし,そのフィードバックとともに,フェイクニュース検出における競合手法と比較して精度,リコール,測定性能が向上したことを示す。
  論文  参考訳（メタデータ） (2024-07-27T20:00:10Z)
• Adapting Fake News Detection to the Era of Large Language Models [48.5847914481222]
  我々は,機械による(言い換えられた)リアルニュース,機械生成のフェイクニュース,人書きのフェイクニュース,人書きのリアルニュースの相互作用について検討する。 我々の実験では、人書き記事のみに特化して訓練された検知器が、機械が生成したフェイクニュースを検出できる興味深いパターンを明らかにしましたが、その逆ではありません。
  論文  参考訳（メタデータ） (2023-11-02T08:39:45Z)
• Nothing Stands Alone: Relational Fake News Detection with Hypergraph Neural Networks [49.29141811578359]
  本稿では,ニュース間のグループ間相互作用を表現するためにハイパーグラフを活用することを提案する。 提案手法は,ラベル付きニュースデータの小さなサブセットであっても,優れた性能を示し,高い性能を維持する。
  論文  参考訳（メタデータ） (2022-12-24T00:19:32Z)
• Mining User-aware Multi-Relations for Fake News Detection in Large Scale Online Social Networks [25.369320307526362]
  信頼できるユーザーは信頼できるニュースを共有する傾向があり、信頼できないユーザーは信頼できないニュースを広める確率が高い。 本研究では,ソーシャル・ネットワークにおけるニュースとユーザの複数の関係を抽出し,偽ニュースを検出するためのリッチな情報を得るための2層グラフを構築した。 本稿では,ニュース層におけるニュースの伝搬特徴とユーザ層におけるユーザのインタラクション特徴を学習する,Us-DeFakeという偽ニュース検出モデルを提案する。
  論文  参考訳（メタデータ） (2022-12-21T05:30:35Z)
• Faking Fake News for Real Fake News Detection: Propaganda-loaded Training Data Generation [105.20743048379387]
  提案手法は,人間によるプロパガンダのスタイルや戦略から情報を得た学習例を生成するための新しいフレームワークである。 具体的には、生成した記事の有効性を確保するために、自然言語推論によって導かれる自己臨界シーケンストレーニングを行う。 実験の結果、PropaNewsでトレーニングされた偽ニュース検知器は、2つの公開データセットで3.62～7.69%のF1スコアで人書きの偽情報を検出するのに優れていることがわかった。
  論文  参考訳（メタデータ） (2022-03-10T14:24:19Z)
• Causal Understanding of Fake News Dissemination on Social Media [50.4854427067898]
  我々は、ユーザーがフェイクニュースを共有するのに、ユーザー属性が何をもたらすかを理解することが重要だと論じている。 偽ニュース拡散において、共同創設者は、本質的にユーザー属性やオンライン活動に関連する偽ニュース共有行動によって特徴づけられる。 本稿では,偽ニュース拡散における選択バイアスを軽減するための原則的アプローチを提案する。
  論文  参考訳（メタデータ） (2020-10-20T19:37:04Z)
• Network Inference from a Mixture of Diffusion Models for Fake News Mitigation [12.229596498611837]
  人を騙し、世論に影響を与え、社会的成果を操ることを目的とした偽ニュースの普及は、ソーシャルメディアに迫る問題となっている。 本稿では,フェイクニュース緩和のためのネットワーク介入を容易にするために,偽コンテンツの拡散ダイナミクスの理解と活用に焦点をあてる。
  論文  参考訳（メタデータ） (2020-08-08T05:59:25Z)
• Modeling the spread of fake news on Twitter [2.7910505923792637]
  本稿では,Twitter上での偽ニュース拡散のポイントプロセスモデルを提案する。 提案手法は,偽ニュース項目の拡散の進化を正確に予測する上で,現在の最先端手法よりも優れていることを示す。 提案モデルは,ソーシャルメディア上での偽ニュース拡散のダイナミクスの理解に寄与する。
  論文  参考訳（メタデータ） (2020-07-28T08:28:16Z)
• Leveraging Multi-Source Weak Social Supervision for Early Detection of Fake News [67.53424807783414]
  ソーシャルメディアは、人々が前例のない速度でオンライン活動に参加することを可能にする。 この制限のないアクセスは、誤情報や偽ニュースの拡散を悪化させ、その緩和のために早期に検出されない限り混乱と混乱を引き起こす可能性がある。 ソーシャルエンゲージメントからの弱い信号とともに、限られた量のクリーンデータを活用して、メタラーニングフレームワークでディープニューラルネットワークをトレーニングし、さまざまな弱いインスタンスの品質を推定します。 実世界のデータセットの実験では、提案されたフレームワークは、予測時にユーザーエンゲージメントを使わずに、フェイクニュースを早期に検出するための最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2020-04-03T18:26:33Z)

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。