論文の概要: FANG: Leveraging Social Context for Fake News Detection Using Graph Representation

• arxiv url: http://arxiv.org/abs/2008.07939v2
• Date: Thu, 8 Oct 2020 11:45:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-27 21:03:31.743473
• Title: FANG: Leveraging Social Context for Fake News Detection Using Graph Representation
• Title（参考訳）: FANG:グラフ表現を用いたフェイクニュース検出のためのソーシャルコンテキストの活用
• Authors: Van-Hoang Nguyen and Kazunari Sugiyama and Preslav Nakov and Min-Yen Kan
• Abstract要約: FANG(Factual News Graph)は,偽ニュース検出のための新しいグラフィカルなソーシャルコンテキスト表現と学習フレームワークである。 トランスダクティブモデルと比較して、FANGはすべてのノードをメンテナンスする必要がなく、グラフ全体を再処理することなく、推論時に効率がよいため、トレーニングにおいてスケーラブルである。 FANGは偽ニュース検出のタスクにおいて大幅な改善をもたらし、限られたトレーニングデータの場合、堅牢である。
• 参考スコア（独自算出の注目度）: 38.67296973872398
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose Factual News Graph (FANG), a novel graphical social context representation and learning framework for fake news detection. Unlike previous contextual models that have targeted performance, our focus is on representation learning. Compared to transductive models, FANG is scalable in training as it does not have to maintain all nodes, and it is efficient at inference time, without the need to re-process the entire graph. Our experimental results show that FANG is better at capturing the social context into a high fidelity representation, compared to recent graphical and non-graphical models. In particular, FANG yields significant improvements for the task of fake news detection, and it is robust in the case of limited training data. We further demonstrate that the representations learned by FANG generalize to related tasks, such as predicting the factuality of reporting of a news medium.
• Abstract（参考訳）: フェイクニュース検出のための新しいグラフィカルなソーシャルコンテキスト表現と学習フレームワークであるfactual news graph (fang)を提案する。 パフォーマンスを目標とした以前のコンテキストモデルとは異なり、私たちの焦点は表現学習です。 トランスダクティブモデルと比較して、FANGはすべてのノードをメンテナンスする必要がなく、グラフ全体を再処理することなく、推論時に効率がよいため、トレーニングにおいてスケーラブルである。 実験の結果,FANGは最近のグラフィカルモデルや非グラフィックモデルと比較して,社会的文脈を高い忠実度に表現する方がよいことがわかった。 特に、FANGは偽ニュース検出のタスクに対して大幅な改善をもたらし、限られたトレーニングデータの場合、堅牢である。 さらに、FANGが学習した表現が、ニュースメディアの報告の事実を予測するなど、関連するタスクに一般化されることを実証する。

関連論文リスト

• A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation [59.14165404728197]
  我々は,分散シフト下での深層グラフ学習について,最新かつ先見的なレビューを行う。 具体的には,グラフ OOD 一般化,トレーニング時グラフ OOD 適応,テスト時グラフ OOD 適応の3つのシナリオについて述べる。 文献の理解を深めるために,提案した分類に基づく既存モデルを体系的に分類した。
  論文  参考訳（メタデータ） (2024-10-25T02:39:56Z)
• Parameter-Efficient Tuning Large Language Models for Graph Representation Learning [62.26278815157628]
  Graph-awareを導入します。 GPEFT - グラフ表現学習のための新しい手法。 グラフニューラルネットワーク(GNN)を用いて、隣接するノードからグラフプロンプトに構造情報をエンコードする。 我々は8つの異なるテキストリッチグラフで実施した総合的な実験を通じて,リンク予測評価において hit@1 と Mean Reciprocal Rank (MRR) の平均 2% の改善を観察し,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2024-04-28T18:36:59Z)
• Challenges in Pre-Training Graph Neural Networks for Context-Based Fake News Detection: An Evaluation of Current Strategies and Resource Limitations [1.9870554622325414]
  本稿では,文脈に基づく偽ニュース検出の分野において,グラフニューラルネットワーク(GNN)の事前学習を適用することを提案する。 本実験は,グラフに基づく誤情報検出のための事前学習手法の評価を行う。 現在の大きな問題は、事前トレーニングに使用できる適切な大規模リソースの欠如である、と私たちは主張する。
  論文  参考訳（メタデータ） (2024-02-28T09:10:25Z)
• When Graph Data Meets Multimodal: A New Paradigm for Graph Understanding and Reasoning [54.84870836443311]
  本稿では,画像エンコーディングとマルチモーダル技術を統合することで,グラフデータの理解と推論を行う新しいパラダイムを提案する。 このアプローチは, GPT-4Vの高度な機能を利用して, 命令応答形式によるグラフデータの理解を可能にする。 研究は、このパラダイムを様々なグラフタイプで評価し、特に中国のOCRパフォーマンスと複雑な推論タスクにおいて、モデルの強みと弱みを強調した。
  論文  参考訳（メタデータ） (2023-12-16T08:14:11Z)
• PRODIGY: Enabling In-context Learning Over Graphs [112.19056551153454]
  コンテキスト内学習(In-context learning)とは、事前訓練されたモデルが、新しい多様な下流タスクに適応する能力である。 ProDIGYは,グラフ上でのコンテキスト内学習を可能にする最初の事前学習フレームワークである。
  論文  参考訳（メタデータ） (2023-05-21T23:16:30Z)
• FairGen: Towards Fair Graph Generation [76.34239875010381]
  フェアネスを考慮したグラフ生成モデルFairGenを提案する。 我々のモデルはラベルインフォームドグラフ生成モジュールと公正表現学習モジュールを共同で訓練する。 Webベースのグラフを含む7つの実世界のデータセットの実験結果は、FairGenが最先端のグラフ生成モデルと同等のパフォーマンスを得ることを示した。
  論文  参考訳（メタデータ） (2023-03-30T23:30:42Z)
• A Dynamic Graph CNN with Cross-Representation Distillation for Event-Based Recognition [21.225945234873745]
  グラフクロス表現蒸留(CRD)と呼ばれる新しいイベントベースのグラフ学習フレームワークを提案する。 CRDはイベントグラフの監視と事前知識を提供する。 我々のモデルと学習フレームワークは、複数の視覚タスクにまたがって効果的に一般化されている。
  論文  参考訳（メタデータ） (2023-02-08T16:35:39Z)
• Robust Causal Graph Representation Learning against Confounding Effects [21.380907101361643]
  本稿では,ロバスト因果グラフ表現学習(RCGRL)を提案する。 RCGRLは、無条件のモーメント制約の下でインストゥルメンタル変数を生成するアクティブなアプローチを導入し、グラフ表現学習モデルにより、共同設立者を排除している。
  論文  参考訳（メタデータ） (2022-08-18T01:31:25Z)
• Knowledge Graph informed Fake News Classification via Heterogeneous Representation Ensembles [1.8374319565577157]
  本稿では,異なる文書表現を効果的に偽ニュース識別に利用する方法を示す。 重要な貢献の1つは、知識グラフのみに基づく新しい文書表現学習手法のセットである。 我々は,知識グラフに基づく表現が,従来受け入れられていた表現学習者に対する競合性能をすでに達成していることを示す。
  論文  参考訳（メタデータ） (2021-10-20T09:41:14Z)
• Adversarial Active Learning based Heterogeneous Graph Neural Network for Fake News Detection [18.847254074201953]
  新規な偽ニュース検出フレームワークであるAdversarial Active Learning-based Heterogeneous Graph Neural Network(AA-HGNN)を提案する。 AA-HGNNは、特にラベル付きデータのあいまいさに直面している場合、学習性能を高めるためにアクティブな学習フレームワークを利用する。 2つの実世界のフェイクニュースデータセットによる実験により、我々のモデルはテキストベースのモデルや他のグラフベースのモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2021-01-27T05:05:25Z)

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。