論文の概要: RP-DNN: A Tweet level propagation context based deep neural networks for early rumor detection in Social Media

• arxiv url: http://arxiv.org/abs/2002.12683v2
• Date: Mon, 2 Mar 2020 10:47:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 02:40:42.689603
• Title: RP-DNN: A Tweet level propagation context based deep neural networks for early rumor detection in Social Media
• Title（参考訳）: RP-DNN:ソーシャルメディアにおける早期噂検出のためのつぶやきレベルの伝搬コンテキストに基づくディープニューラルネットワーク
• Authors: Jie Gao, Sooji Han, Xingyi Song, Fabio Ciravegna
• Abstract要約: ソーシャルメディアプラットフォーム上での早期の噂検出(ERD)は、限定的で不完全でノイズの多い情報が利用可能である場合、非常に困難である。 本稿では,文字ベース双方向言語モデルとLong Short-Term Memory(LSTM)ネットワークを組み合わせた,新しいハイブリッドニューラルネットワークアーキテクチャを提案する。 当社のモデルでは,12件以上のイベントと2,967件の噂を網羅する大規模拡張データ上での未知の噂を検出するために,最先端(SoA)性能を実現している。
• 参考スコア（独自算出の注目度）: 3.253418861583211
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Early rumor detection (ERD) on social media platform is very challenging when limited, incomplete and noisy information is available. Most of the existing methods have largely worked on event-level detection that requires the collection of posts relevant to a specific event and relied only on user-generated content. They are not appropriate to detect rumor sources in the very early stages, before an event unfolds and becomes widespread. In this paper, we address the task of ERD at the message level. We present a novel hybrid neural network architecture, which combines a task-specific character-based bidirectional language model and stacked Long Short-Term Memory (LSTM) networks to represent textual contents and social-temporal contexts of input source tweets, for modelling propagation patterns of rumors in the early stages of their development. We apply multi-layered attention models to jointly learn attentive context embeddings over multiple context inputs. Our experiments employ a stringent leave-one-out cross-validation (LOO-CV) evaluation setup on seven publicly available real-life rumor event data sets. Our models achieve state-of-the-art(SoA) performance for detecting unseen rumors on large augmented data which covers more than 12 events and 2,967 rumors. An ablation study is conducted to understand the relative contribution of each component of our proposed model.
• Abstract（参考訳）: ソーシャルメディアプラットフォームの初期の噂検出(erd)は、限定的で不完全でうるさい情報がある場合、非常に困難である。 既存のメソッドの多くは、特定のイベントに関連するポストの収集と、ユーザー生成コンテンツのみに依存するイベントレベルの検出に主に取り組んできた。 これらは、イベントが展開し広まる前に、ごく初期の噂ソースを検出するのに適していない。 本稿では,メッセージレベルでのEDRの課題に対処する。 本稿では,タスク固有のキャラクタベース双方向言語モデルとlstm(stacked long short-term memory)ネットワークを組み合わせた,入力ソースツイートのテキスト内容と社会的・時間的コンテキストを表現するハイブリッドニューラルネットワークアーキテクチャを提案する。 多層アテンションモデルを用いて、複数のコンテキスト入力に対する注意コンテキスト埋め込みを共同学習する。 実験では、7つの公開実生活の噂イベントデータセットに対して,LOO-CV (strentent leave-out-out cross-validation) の評価設定を適用した。 当社のモデルでは,12件以上のイベントと2,967件の噂を網羅する大規模拡張データ上での未知の噂を検出するために,最先端(SoA)性能を実現している。 提案モデルの各成分の相対的寄与を理解するためにアブレーション研究を行った。

関連論文リスト

• A Unified Contrastive Transfer Framework with Propagation Structure for Boosting Low-Resource Rumor Detection [11.201348902221257]
  既存の噂検出アルゴリズムは 昨日のニュースで 有望な性能を見せています 十分なトレーニングデータや事前の専門家知識が欠如しているため、予期せぬ出来事に関する噂を見つけるのが苦手である。 本稿では,十分な情報源から得られた特徴を,少数のアノテーションで少ない資料に適応させることで,噂を検出するための一貫したコントラスト転送フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-04T03:13:03Z)
• Zero-Shot Rumor Detection with Propagation Structure via Prompt Learning [24.72097408129496]
  従来の研究では、アノテートされたリソースが不足しているため、少数言語で提示される噂は見つからないことが判明した。 本稿では,異なるドメインで発生する噂や,異なる言語で提示される噂を検出するための,素早い学習に基づく新しいフレームワークを提案する。 提案手法は最先端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） (2022-12-02T12:04:48Z)
• Evidential Temporal-aware Graph-based Social Event Detection via Dempster-Shafer Theory [76.4580340399321]
  ETGNN(Evidential Temporal-aware Graph Neural Network)を提案する。 ノードがテキストであり、エッジがそれぞれ複数の共有要素によって決定されるビュー固有グラフを構築する。 ビュー固有の不確実性を考慮すると、すべてのビューの表現は、明らかなディープラーニング(EDL)ニューラルネットワークを介してマス関数に変換される。
  論文  参考訳（メタデータ） (2022-05-24T16:22:40Z)
• 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)
• A Generative Language Model for Few-shot Aspect-Based Sentiment Analysis [90.24921443175514]
  我々は、アスペクト項、カテゴリを抽出し、対応する極性を予測するアスペクトベースの感情分析に焦点を当てる。 本稿では,一方向の注意を伴う生成言語モデルを用いて,抽出タスクと予測タスクをシーケンス生成タスクに再構成することを提案する。 提案手法は,従来の最先端(BERTをベースとした)の性能を,数ショットとフルショットの設定において,大きなマージンで上回ります。
  論文  参考訳（メタデータ） (2022-04-11T18:31:53Z)
• End-to-End Active Speaker Detection [58.7097258722291]
  本稿では,特徴学習と文脈予測を共同で学習するエンド・ツー・エンドのトレーニングネットワークを提案する。 また、時間間グラフニューラルネットワーク(iGNN)ブロックを導入し、ASD問題における主要なコンテキストのソースに応じてメッセージパッシングを分割する。 実験により、iGNNブロックからの集約された特徴はASDにより適しており、その結果、最先端のアートパフォーマンスが得られることが示された。
  論文  参考訳（メタデータ） (2022-03-27T08:55:28Z)
• UniCon: Unified Context Network for Robust Active Speaker Detection [111.90529347692723]
  我々は、堅牢なアクティブ話者検出(ASD)のための新しい効率的なフレームワークUnified Context Network(UniCon)を導入する。 私たちのソリューションは、複数の種類のコンテキスト情報を共同でモデリングすることに焦点を当てた、新しく統合されたフレームワークです。 異なる設定下で、いくつかの挑戦的なASDベンチマークで徹底的なアブレーション研究が実施されている。
  論文  参考訳（メタデータ） (2021-08-05T13:25:44Z)
• SRLF: A Stance-aware Reinforcement Learning Framework for Content-based Rumor Detection on Social Media [15.985224010346593]
  初期のコンテンツベースの方法は、噂の検出のためにテキストとユーザープロファイルから手がかりを見つけることに集中した。 近年の研究では、ユーザのコメントとニュースコンテンツを組み合わせて、真実と偽の噂の違いを捉えている。 本稿では,モデルトレーニングと噂検出のための高品質なラベル付き姿勢データを選択するための,SRLF(Stance-Aware Reinforcement Learning Framework)を提案する。
  論文  参考訳（メタデータ） (2021-05-10T03:58:34Z)
• Unsupervised Paraphrasing with Pretrained Language Models [85.03373221588707]
  教師なし環境で,事前学習した言語モデルを用いて高品質なパラフレーズを生成する訓練パイプラインを提案する。 提案手法は,タスク適応,自己スーパービジョン,動的ブロッキング(Dynamic Blocking)という新しい復号アルゴリズムから構成される。 提案手法は,Quora Question PairとParaNMTの両方のデータセット上で,最先端の性能を達成できることを示す。
  論文  参考訳（メタデータ） (2020-10-24T11:55:28Z)
• Ensemble Deep Learning on Time-Series Representation of Tweets for Rumor Detection in Social Media [2.6514980627603006]
  本稿では,Twitterデータの時系列ベクトル表現を用いて,深層ニューラルネットワークによる予測の集合に対して多数投票を行い,噂をタイムリーに検出するアンサンブルモデルを提案する。 実験結果から, マイクロF1スコアの分類性能は, ベースラインに比べて7.9%向上していることがわかった。
  論文  参考訳（メタデータ） (2020-04-26T23:13:31Z)

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。