論文の概要: Cross-Domain Learning for Classifying Propaganda in Online Contents

• arxiv url: http://arxiv.org/abs/2011.06844v2
• Date: Sun, 22 Nov 2020 17:39:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-26 00:02:42.306956
• Title: Cross-Domain Learning for Classifying Propaganda in Online Contents
• Title（参考訳）: オンラインコンテンツにおけるプロパガンダ分類のためのクロスドメイン学習
• Authors: Liqiang Wang, Xiaoyu Shen, Gerard de Melo, Gerhard Weikum
• Abstract要約: 本稿では,ラベル付き文書や,ニュースやつぶやきからの文をベースとしたクロスドメイン学習の手法を提案する。 本実験は,本手法の有効性を実証し,移動過程におけるソースやターゲットの様々な構成における困難さと限界を同定する。
• 参考スコア（独自算出の注目度）: 67.10699378370752
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As news and social media exhibit an increasing amount of manipulative polarized content, detecting such propaganda has received attention as a new task for content analysis. Prior work has focused on supervised learning with training data from the same domain. However, as propaganda can be subtle and keeps evolving, manual identification and proper labeling are very demanding. As a consequence, training data is a major bottleneck. In this paper, we tackle this bottleneck and present an approach to leverage cross-domain learning, based on labeled documents and sentences from news and tweets, as well as political speeches with a clear difference in their degrees of being propagandistic. We devise informative features and build various classifiers for propaganda labeling, using cross-domain learning. Our experiments demonstrate the usefulness of this approach, and identify difficulties and limitations in various configurations of sources and targets for the transfer step. We further analyze the influence of various features, and characterize salient indicators of propaganda.
• Abstract（参考訳）: ニュースやソーシャルメディアでは、操作性偏光コンテンツの増加に伴い、このようなプロパガンダの検出がコンテンツ分析の新しい課題として注目されている。 以前の作業は、同じドメインからのトレーニングデータによる教師付き学習に重点を置いてきた。 しかし、プロパガンダは微妙で進化し続けるため、手動による識別と適切なラベル付けが要求される。 その結果、トレーニングデータは大きなボトルネックになります。 本稿では,このボトルネックに対処し,ニュースやつぶやきのラベル付き文書や文をベースとしたクロスドメイン学習の手法を提案する。 我々はクロスドメイン学習を用いて,情報的特徴を考案し,プロパガンダラベリングのための各種分類器を構築する。 提案手法の有効性を実証し,トランスファーステップのソースとターゲットの様々な構成における困難と限界を明らかにする。 さらに,様々な特徴の影響を解析し,プロパガンダの有意な指標を特徴付ける。

関連論文リスト

• PropaInsight: Toward Deeper Understanding of Propaganda in Terms of Techniques, Appeals, and Intent [71.20471076045916]
  プロパガンダは世論の形成と偽情報の拡散に重要な役割を果たしている。 Propainsightはプロパガンダを体系的に、技術、覚醒的魅力、そして根底にある意図に分解する。 Propagazeは、人間の注釈付きデータと高品質な合成データを組み合わせる。
  論文  参考訳（メタデータ） (2024-09-19T06:28:18Z)
• CDFSL-V: Cross-Domain Few-Shot Learning for Videos [58.37446811360741]
  ビデオのアクション認識は、いくつかのラベル付き例でのみ、新しいカテゴリを認識するための効果的なアプローチである。 既存のビデオアクション認識の方法は、同じドメインからの大きなラベル付きデータセットに依存している。 本稿では,自己教師付き学習とカリキュラム学習を活用した,クロスドメインな数ショットビデオ行動認識手法を提案する。
  論文  参考訳（メタデータ） (2023-09-07T19:44:27Z)
• 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)
• Dataset of Propaganda Techniques of the State-Sponsored Information Operation of the People's Republic of China [0.0]
  本研究の目的は,Twitterが提供する状態支援情報操作データセットに基づいて,マンダリンに多ラベルプロパガンダ技術データセットを提供することにより,情報ギャップを埋めることである。 データセットの提示に加えて、細調整されたBERTを用いて複数ラベルのテキスト分類を適用する。
  論文  参考訳（メタデータ） (2021-06-14T16:11:13Z)
• Embracing Domain Differences in Fake News: Cross-domain Fake News Detection using Multi-modal Data [18.66426327152407]
  異なるドメインの偽ニュースを検出するために、ニュースレコードにドメイン固有の知識とクロスドメインの知識を共同で保存する新しいフレームワークを提案する。 提案する偽ニュースモデルと選択的アノテーションアプローチの統合が,クロスドメインニュースデータセットの最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-02-11T23:31:14Z)
• LTIatCMU at SemEval-2020 Task 11: Incorporating Multi-Level Features for Multi-Granular Propaganda Span Identification [70.1903083747775]
  本稿では,新聞記事におけるプロパガンダ・スパン識別の課題について述べる。 本稿では,BERT-BiLSTMに基づくプロパガンダ分類モデルを提案する。
  論文  参考訳（メタデータ） (2020-08-11T16:14:47Z)
• BPGC at SemEval-2020 Task 11: Propaganda Detection in News Articles with Multi-Granularity Knowledge Sharing and Linguistic Features based Ensemble Learning [2.8913142991383114]
  SemEval 2020 Task-11はニュースプロパガンダ検出のための自動システムの設計を目的としている。 Task-11 は2つのサブタスク、すなわち Span Identification と Technique Classification から構成される。
  論文  参考訳（メタデータ） (2020-05-31T19:35:53Z)
• Leveraging Declarative Knowledge in Text and First-Order Logic for Fine-Grained Propaganda Detection [139.3415751957195]
  本稿では,ニュース記事中のプロパガンダ的テキスト断片の検出について検討する。 本稿では,詳細なプロパガンダ手法の宣言的知識を注入する手法を提案する。
  論文  参考訳（メタデータ） (2020-04-29T13:46:15Z)

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。