論文の概要: Two-path Deep Semi-supervised Learning for Timely Fake News Detection

• arxiv url: http://arxiv.org/abs/2002.00763v1
• Date: Fri, 31 Jan 2020 02:28:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 06:03:33.667213
• Title: Two-path Deep Semi-supervised Learning for Timely Fake News Detection
• Title（参考訳）: タイムリーフェイクニュース検出のための2パス深層半教師付き学習
• Authors: Xishuang Dong, Uboho Victor, and Lijun Qian
• Abstract要約: ソーシャルメディアにおけるフェイクニュースのタイムリーな検出を実現するために,2経路深層半教師付き学習の新たな枠組みを提案する。 我々は、Word CNNに基づく半教師付き学習モデルを実装し、LIARとPHEMEという2つのデータセット上でテストする。 実験の結果,提案フレームワーク上に構築されたモデルでは,ラベル付きデータはほとんどなく,偽ニュースを効果的に認識できることがわかった。
• 参考スコア（独自算出の注目度）: 2.6514980627603006
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: News in social media such as Twitter has been generated in high volume and speed. However, very few of them are labeled (as fake or true news) by professionals in near real time. In order to achieve timely detection of fake news in social media, a novel framework of two-path deep semi-supervised learning is proposed where one path is for supervised learning and the other is for unsupervised learning. The supervised learning path learns on the limited amount of labeled data while the unsupervised learning path is able to learn on a huge amount of unlabeled data. Furthermore, these two paths implemented with convolutional neural networks (CNN) are jointly optimized to complete semi-supervised learning. In addition, we build a shared CNN to extract the low level features on both labeled data and unlabeled data to feed them into these two paths. To verify this framework, we implement a Word CNN based semi-supervised learning model and test it on two datasets, namely, LIAR and PHEME. Experimental results demonstrate that the model built on the proposed framework can recognize fake news effectively with very few labeled data.
• Abstract（参考訳）: Twitterのようなソーシャルメディアのニュースは、大量かつ高速に生成されている。 しかし、ほぼリアルタイムでプロによって(偽ニュースや真のニュースとして)ラベル付けされているものはほとんどない。 ソーシャルメディアにおける偽ニュースのタイムリー検出を実現するために,一方のパスが教師付き学習,もう一方のパスが教師なし学習のための2パス深層教師付き学習の新たな枠組みを提案する。 教師なし学習経路は、限られたラベル付きデータに基づいて学習し、教師なし学習経路は大量のラベルなしデータを学習することができる。 さらに、畳み込みニューラルネットワーク(cnn)で実装されたこれら2つの経路は、半教師付き学習を完了するために協調的に最適化される。 さらに、ラベル付きデータとラベルなしデータの両方の低レベル特徴を抽出し、これら2つのパスにフィードする共有CNNを構築します。 このフレームワークを検証するために、Word CNNベースの半教師付き学習モデルを実装し、LIARとPHEMEという2つのデータセット上でテストする。 実験の結果,提案フレームワークで構築したモデルは,ラベル付きデータが少なく,効果的に偽ニュースを認識できることがわかった。

関連論文リスト

• 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)
• LOSS-GAT: Label Propagation and One-Class Semi-Supervised Graph Attention Network for Fake News Detection [2.6396287656676725]
  Loss-GATは、フェイクニュース検出のための半教師付き一級アプローチである。 我々は、ニュースを関心(フェイク)と非関心(リアル)の2つのグループに分類するために、2段階のラベル伝搬アルゴリズムを用いる。
  論文  参考訳（メタデータ） (2024-02-13T12:02:37Z)
• Prompt-driven efficient Open-set Semi-supervised Learning [52.30303262499391]
  オープンセット半教師付き学習(OSSL)は関心を集めており、未ラベルデータにのみOOD(Out-of-distribution)サンプルが組み込まれているというより実践的なシナリオを調査している。 我々はOpenPromptと呼ばれる,プロンプト駆動の効率的なOSSLフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-28T16:25:08Z)
• Few-Shot Non-Parametric Learning with Deep Latent Variable Model [50.746273235463754]
  遅延変数を用いた圧縮による非パラメトリック学習(NPC-LV)を提案する。 NPC-LVは、ラベルなしデータが多いがラベル付きデータはほとんどないデータセットの学習フレームワークである。 我々は,NPC-LVが低データ構造における画像分類における3つのデータセットの教師あり手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-23T09:35:03Z)
• 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)
• Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
  我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。 まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。 次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
  論文  参考訳（メタデータ） (2021-12-31T10:03:47Z)
• Semi-supervised deep learning based on label propagation in a 2D embedded space [117.9296191012968]
  提案されたソリューションは、少数の教師なしイメージから多数の教師なしイメージにラベルを伝達し、ディープニューラルネットワークモデルをトレーニングする。 本稿では、より正確なラベル付きサンプルを反復してセットから深層ニューラルネットワーク(VGG-16)をトレーニングするループを提案する。 ラベル付きセットがイテレーションに沿って改善されるにつれて、ニューラルネットワークの機能が改善される。
  論文  参考訳（メタデータ） (2020-08-02T20:08:54Z)
• Graph Neural Networks with Continual Learning for Fake News Detection from Social Media [18.928184473686567]
  ソーシャルメディア上での偽ニュースと実ニュースの伝播パターンを区別するためにグラフニューラルネットワーク(GNN)を用いる。 テキスト情報に頼らずに、GNNがテキスト情報なしで同等または優れたパフォーマンスを達成できることが示される。 本稿では,GNNを漸進的に訓練するための連続学習技術を用いて,既存のデータセットと新しいデータセットの両方でバランスの取れた性能を実現する手法を提案する。
  論文  参考訳（メタデータ） (2020-07-07T10:04:50Z)
• VideoSSL: Semi-Supervised Learning for Video Classification [30.348819309923098]
  畳み込みニューラルネットワーク(CNN)を用いたビデオ分類ビデオSSLのための半教師付き学習手法を提案する。 大規模な注釈付きデータセットへの依存を最小限に抑えるため,提案手法は少数のラベル付きサンプルから学習する。 ラベルのない例からの案内信号の監督の下,CNNは印象的な性能を達成できることを示す。
  論文  参考訳（メタデータ） (2020-02-29T07:13:12Z)
• DivideMix: Learning with Noisy Labels as Semi-supervised Learning [111.03364864022261]
  ノイズラベルを学習するためのフレームワークであるDivideMixを提案する。 複数のベンチマークデータセットの実験は、最先端の手法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2020-02-18T06:20:06Z)
• Detecting Fake News with Capsule Neural Networks [0.6445605125467573]
  本稿では,疑似ニュース検出タスクにおいてカプセルニューラルネットを活用することを目的とする。 私たちは、異なる長さのニュースアイテムに異なる埋め込みモデルを使用します。 提案するアーキテクチャは,最近よく知られた2つのデータセットで評価されている。
  論文  参考訳（メタデータ） (2020-02-03T22:13:07Z)

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。