論文の概要: On Early-stage Debunking Rumors on Twitter: Leveraging the Wisdom of Weak Learners

• arxiv url: http://arxiv.org/abs/1709.04402v2
• Date: Tue, 9 Apr 2024 12:31:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-10 21:05:06.867103
• Title: On Early-stage Debunking Rumors on Twitter: Leveraging the Wisdom of Weak Learners
• Title（参考訳）: アーリーステージのTwitterに関する噂:弱者学習者の知恵を活かす
• Authors: Tu Nguyen, Cheng Li, Claudia Niederée,
• Abstract要約: 本稿では、畳み込みニューラルネットワークを用いて、個々の噂関連ツイートの隠れ表現を学習する早期噂検出手法を提案する。 われわれの実験は、噂の最初の数時間で、明確な分類性能が向上したことを示している。
• 参考スコア（独自算出の注目度）: 4.325479143880198
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently a lot of progress has been made in rumor modeling and rumor detection for micro-blogging streams. However, existing automated methods do not perform very well for early rumor detection, which is crucial in many settings, e.g., in crisis situations. One reason for this is that aggregated rumor features such as propagation features, which work well on the long run, are - due to their accumulating characteristic - not very helpful in the early phase of a rumor. In this work, we present an approach for early rumor detection, which leverages Convolutional Neural Networks for learning the hidden representations of individual rumor-related tweets to gain insights on the credibility of each tweets. We then aggregate the predictions from the very beginning of a rumor to obtain the overall event credits (so-called wisdom), and finally combine it with a time series based rumor classification model. Our extensive experiments show a clearly improved classification performance within the critical very first hours of a rumor. For a better understanding, we also conduct an extensive feature evaluation that emphasized on the early stage and shows that the low-level credibility has best predictability at all phases of the rumor lifetime.
• Abstract（参考訳）: 近年,マイクロブロッグストリームのうわさモデリングやうわさ検出に多くの進展が見られる。 しかし,既存の自動手法は早期のうわさ検出にはあまり役に立たない。 この理由の1つは、長期にわたって良好に機能する伝搬機能などの集約された噂機能は、その蓄積特性のため、噂の初期段階ではあまり役に立たないことである。 本研究では,各ツイートの信頼度に関する洞察を得るために,畳み込みニューラルネットワークを用いて個々の噂関連ツイートの隠蔽表現を学習する早期の噂検出手法を提案する。 次に、噂の始まりから予測を集約して、全体的なイベントクレジット(いわゆる知恵)を取得し、最終的に時系列ベースの噂分類モデルと組み合わせる。 我々の広範な実験は、噂の最初の数時間で、明確な分類性能が向上したことを示している。 より深く理解するために、我々は、早期に強調された広範な特徴評価を行い、低レベルの信頼性が噂の終生のあらゆる段階で最高の予測可能性を持つことを示す。

関連論文リスト

• Generating Zero-shot Abstractive Explanations for Rumour Verification [46.897767694062004]
  我々は,そのタスクを再構成して,噂の正確性に関するモデル中心のフリーテキストの説明を生成する。 大規模言語モデル(LLM)の少数ショット学習機能を利用する。 実験の結果,LLMは要約評価において人間と類似の一致を示すことができた。
  論文  参考訳（メタデータ） (2024-01-23T12:29:37Z)
• Detecting Rumor Veracity with Only Textual Information by Double-Channel Structure [7.931904787652709]
  ソーシャルメディア上での噂の真偽を判断するための二重チャネル構造を提案する。 まず、各テキストを特定の(偽の噂)または不確実な(偽の噂)カテゴリに割り当てる。 次に,情報提供された噂に対して嘘検出アルゴリズムを適用し,未報の噂に対してスレッド応答合意検出アルゴリズムを適用した。
  論文  参考訳（メタデータ） (2023-12-06T00:08:44Z)
• Rumor Detection with Self-supervised Learning on Texts and Social Graph [101.94546286960642]
  異種情報ソース上での自己教師型学習を対照的に提案し,それらの関係を明らかにするとともに,噂をよりよく特徴付ける。 我々はこの枠組みをSRD(Self-supervised Rumor Detection)と呼ぶ。 3つの実世界のデータセットに対する大規模な実験により、ソーシャルメディア上での噂の自動検出におけるSRDの有効性が検証された。
  論文  参考訳（メタデータ） (2022-04-19T12:10:03Z)
• Detect Rumors in Microblog Posts for Low-Resource Domains via Adversarial Contrastive Learning [8.013665071332388]
  本稿では,噂データから得られた特徴を低リソースデータに適応させることにより,噂を検出するための逆相反学習フレームワークを提案する。 本フレームワークは最先端の手法よりも優れた性能を実現し,早期に噂を検出する能力に優れる。
  論文  参考訳（メタデータ） (2022-04-18T03:10:34Z)
• What goes on inside rumour and non-rumour tweets and their reactions: A Psycholinguistic Analyses [58.75684238003408]
  ソーシャルメディアのテキストの心理言語学的分析は、誤情報を緩和するために意味のある結論を導くのに不可欠である。 本研究は,様々な事象に関する噂の深い心理言語学的分析を行うことによって貢献する。
  論文  参考訳（メタデータ） (2021-11-09T07:45:11Z)
• Calling to CNN-LSTM for Rumor Detection: A Deep Multi-channel Model for Message Veracity Classification in Microblogs [0.0]
  噂は特に個人や社会に深刻なダメージを与える可能性がある。 ほとんどの噂検出アプローチは、噂の特徴分析と社会的特徴に焦点を当てている。 DeepMONITORはディープニューラルネットワークをベースにしており、かなり正確な自動噂検証を可能にする。
  論文  参考訳（メタデータ） (2021-10-11T07:42:41Z)
• Know it to Defeat it: Exploring Health Rumor Characteristics and Debunking Efforts on Chinese Social Media during COVID-19 Crisis [65.74516068984232]
  われわれは、中国のマイクロブログサイトWeiboで、新型コロナウイルス(COVID-19)に関する4ヶ月にわたる噂に関するオンラインディスカッションを包括的に分析した。 以上の結果から、不安(恐怖)型健康噂は、希望(希望)型よりもはるかに多くの議論を巻き起こし、長く続いたことが示唆された。 本稿では,噂の議論を抑えるためのデバンキングの有効性を示す。
  論文  参考訳（メタデータ） (2021-09-25T14:02:29Z)
• Predicting MOOCs Dropout Using Only Two Easily Obtainable Features from the First Week's Activities [56.1344233010643]
  いくつかの特徴は、学習者の誘惑や興味の欠如に寄与すると考えられており、そのことが解脱や総減退につながる可能性がある。 この研究は、いくつかの機械学習アプローチを比較して、最初の1週間から早期のドロップアウトを予測することを目的としている。
  論文  参考訳（メタデータ） (2020-08-12T10:44:49Z)
• Fine-Tune Longformer for Jointly Predicting Rumor Stance and Veracity [27.661609140918916]
  本稿では,噂の姿勢と妥当性を共同で予測するマルチタスク学習フレームワークを提案する。 フレームワークは2つの部分から構成される:a) フレームワークの下部は、会話スレッド内の各投稿に対するスタンスを分類し、マルチターン会話をモデル化し、隣の投稿を各投稿に認識させることにより、噂を議論する。 SemEval 2019 Task 7 データセットの実験結果から,提案手法は噂の定式化と妥当性予測の両方において,従来の手法よりも優れていたことがわかった。
  論文  参考訳（メタデータ） (2020-07-15T17:09:17Z)
• Rumor Detection on Social Media with Bi-Directional Graph Convolutional Networks [89.13567439679709]
  本稿では,二方向グラフ畳み込みネットワーク (Bi-Directional Graph Convolutional Networks, Bi-GCN) と呼ばれる新しい双方向グラフモデルを提案する。 これは、噂拡散のパターンを学習するために、噂拡散のトップダウン指向グラフを持つGCNと、噂拡散の反対指向グラフを持つGCNを活用して、噂拡散の構造を捉える。
  論文  参考訳（メタデータ） (2020-01-17T15:12:08Z)
• A Comprehensive Low and High-level Feature Analysis for Early Rumor Detection on Twitter [0.5031093893882576]
  ニューラルモデルを使用して、噂の始めに、個々の噂に関連するツイートの隠された表現を学習します。 実験の結果,結果の信号は時間とともに分類性能を向上させることがわかった。 我々は,48時間帯における広範囲にわたる高影響噂機能について広範な研究を行っている。
  論文  参考訳（メタデータ） (2017-11-02T15:49:47Z)

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。