論文の概要: Rumor Detection on Social Media with Bi-Directional Graph Convolutional Networks

• arxiv url: http://arxiv.org/abs/2001.06362v1
• Date: Fri, 17 Jan 2020 15:12:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-10 13:04:31.735365
• Title: Rumor Detection on Social Media with Bi-Directional Graph Convolutional Networks
• Title（参考訳）: 双方向グラフ畳み込みネットワークを用いたソーシャルメディアの噂検出
• Authors: Tian Bian, Xi Xiao, Tingyang Xu, Peilin Zhao, Wenbing Huang, Yu Rong, Junzhou Huang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 89.13567439679709
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Social media has been developing rapidly in public due to its nature of spreading new information, which leads to rumors being circulated. Meanwhile, detecting rumors from such massive information in social media is becoming an arduous challenge. Therefore, some deep learning methods are applied to discover rumors through the way they spread, such as Recursive Neural Network (RvNN) and so on. However, these deep learning methods only take into account the patterns of deep propagation but ignore the structures of wide dispersion in rumor detection. Actually, propagation and dispersion are two crucial characteristics of rumors. In this paper, we propose a novel bi-directional graph model, named Bi-Directional Graph Convolutional Networks (Bi-GCN), to explore both characteristics by operating on both top-down and bottom-up propagation of rumors. It leverages a GCN with a top-down directed graph of rumor spreading to learn the patterns of rumor propagation, and a GCN with an opposite directed graph of rumor diffusion to capture the structures of rumor dispersion. Moreover, the information from the source post is involved in each layer of GCN to enhance the influences from the roots of rumors. Encouraging empirical results on several benchmarks confirm the superiority of the proposed method over the state-of-the-art approaches.
• Abstract（参考訳）: ソーシャルメディアは、新しい情報を広める性質から、急速に世に出てきており、噂が広まっている。 一方、ソーシャルメディアでそのような膨大な情報から噂を検出することは、厳しい課題になりつつある。 そのため、recursive neural network(rvnn)など、その拡散を通じて噂を発見するために、いくつかのディープラーニング手法が適用されている。 しかし、これらの深層学習手法は、深層伝播のパターンを考慮に入れず、噂検出における広範囲な分散構造を無視する。 実際、伝播と分散は噂の重要な2つの特徴である。 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。 さらに、ソースポストからの情報は、噂の根源からの影響を高めるために、GCNの各レイヤに関係している。 実験結果を複数のベンチマークで評価することにより,提案手法が最先端手法よりも優れていることを確認した。

関連論文リスト

• Diffusion Boosted Trees [56.46631445688882]
  拡散ブーストツリー(DBT)は、決定木によってパラメータ化される新しい拡散生成モデルであると見なすことができる。 DBT は弱を条件分布の強い勾配に結合し、それらの密度形式について明示的な仮定をしない。
  論文  参考訳（メタデータ） (2024-06-03T22:11:38Z)
• 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)
• Combating Bilateral Edge Noise for Robust Link Prediction [56.43882298843564]
  本稿では,RGIB(Robust Graph Information Bottleneck)という情報理論の原則を提案し,信頼性の高い監視信号を抽出し,表現の崩壊を回避する。 RGIB-SSLとRGIB-REPの2つのインスタンス化は、異なる手法の利点を活用するために検討されている。 6つのデータセットと3つのGNNの様々なノイズシナリオによる実験は、我々のRGIBインスタンスの有効性を検証する。
  論文  参考訳（メタデータ） (2023-11-02T12:47:49Z)
• Rumor Detection with Diverse Counterfactual Evidence [32.746912322365525]
  ソーシャルメディアは、個人やコミュニティに対する偽ニュースの脅威を悪化させている。 一般的なアプローチは、噂の拡散プロセスの伝播後のパターンを利用するために、グラフニューラルネットワーク(GNN)を利用する。 DCE-RD(Diverse Counterfactal Evidence framework for Rumor Detection)を提案する。
  論文  参考訳（メタデータ） (2023-07-18T14:37:23Z)
• Region-enhanced Deep Graph Convolutional Networks for Rumor Detection [6.5165993338043995]
  噂の伝播特性を高める新しい領域強化深部グラフ畳み込みネットワーク(RDGCN)を提案する。 Twitter15とTwitter16の実験では、提案されたモデルは、噂検出と初期の噂検出のベースラインアプローチよりも優れた性能を示している。
  論文  参考訳（メタデータ） (2022-06-15T17:00:11Z)
• 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)
• Schemes of Propagation Models and Source Estimators for Rumor Source Detection in Online Social Networks: A Short Survey of a Decade of Research [46.40445316832167]
  拡散モデルは、ネットワークにおけるソース検出にとって非常に重要かつ挑戦可能な要素であると考えられる。 本稿では, 個別カスケード型, 流行型, 学習型の3つの代表的なスキームを概説し, うわさ伝播のパターンをモデル化する。
  論文  参考訳（メタデータ） (2021-01-04T03:34:17Z)
• Identifying Possible Rumor Spreaders on Twitter: A Weak Supervised Learning Approach [0.0]
  噂は1つの誤報だ(他のタイプは偽ニュース、偽ニュースなど)。 噂の拡散を抑える一つの方法は、噂の拡散に頻繁に関与するユーザーを特定することだ。 我々は,教師あり学習手法を適用する前に,ユーザ,テキスト,エゴネットワークの3種類の機能を利用する。
  論文  参考訳（メタデータ） (2020-10-15T10:31:28Z)
• Heterogeneous Graph Attention Networks for Early Detection of Rumors on Twitter [9.358510255345676]
  ソーシャルメディアに関する偽の噂は、大衆のパニックを招き、個人的評判を損なう可能性がある。 我々は、テキストの内容と噂の発信元であるツイートの伝搬に基づいて、ツイートワードを利用する異種グラフを構築した。
  論文  参考訳（メタデータ） (2020-06-10T14:49:08Z)
• Distilling Knowledge from Graph Convolutional Networks [146.71503336770886]
  既存の知識蒸留法は畳み込みニューラルネットワーク(CNN)に焦点を当てている 本稿では,事前学習したグラフ畳み込みネットワーク(GCN)モデルから知識を抽出する手法を提案する。 提案手法は,GCNモデルに対する最先端の知識蒸留性能を実現する。
  論文  参考訳（メタデータ） (2020-03-23T18:23:11Z)

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。