論文の概要: TUDublin team at Constraint@AAAI2021 -- COVID19 Fake News Detection
- arxiv url: http://arxiv.org/abs/2101.05701v1
- Date: Thu, 14 Jan 2021 16:25:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-29 00:52:13.072947
- Title: TUDublin team at Constraint@AAAI2021 -- COVID19 Fake News Detection
- Title（参考訳）: TUDublin team at Constraint@AAAI2021 -- COVID-19 Fake News Detection
- Authors: Elena Shushkevich and John Cardiff
- Abstract要約: 仕事の主な目標は、ソーシャルメディアからのメッセージをリアルまたはフェイクニュースとして二分分類するモデルを作成することでした。
このモデルにより、最高の結果の5%以内の0.94 F1スコアを達成できました。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The paper is devoted to the participation of the TUDublin team in
Constraint@AAAI2021 - COVID19 Fake News Detection Challenge. Today, the problem
of fake news detection is more acute than ever in connection with the pandemic.
The number of fake news is increasing rapidly and it is necessary to create AI
tools that allow us to identify and prevent the spread of false information
about COVID-19 urgently. The main goal of the work was to create a model that
would carry out a binary classification of messages from social media as real
or fake news in the context of COVID-19. Our team constructed the ensemble
consisting of Bidirectional Long Short Term Memory, Support Vector Machine,
Logistic Regression, Naive Bayes and a combination of Logistic Regression and
Naive Bayes. The model allowed us to achieve 0.94 F1-score, which is within 5\%
of the best result.
- Abstract（参考訳）: この論文は、TUDublinチームによるConstraint@AAAI2021 - COVID19 Fake News Detection Challengeへの参加に焦点を当てている。
現在、偽ニュース検出の問題はパンデミックに関連して、これまで以上に深刻になっている。
偽ニュースの数が急速に増えており、covid-19に関する偽情報の拡散を緊急に防止するためのaiツールの開発が求められている。
この研究の主な目標は、新型コロナウイルス(COVID-19)のコンテキストにおいて、ソーシャルメディアからのメッセージのバイナリ分類をリアルまたはフェイクニュースとして実行するモデルを作ることだった。
私たちのチームは、双方向の長期記憶、サポートベクターマシン、ロジスティック回帰、ナイーブベイ、ロジスティック回帰とナイーブベイの組み合わせからなるアンサンブルを構築しました。
このモデルによって 0.94 f1-score を達成できたが、これは最高の結果の 5\% 以内である。
関連論文リスト
- Nothing Stands Alone: Relational Fake News Detection with Hypergraph
Neural Networks [49.29141811578359]
本稿では,ニュース間のグループ間相互作用を表現するためにハイパーグラフを活用することを提案する。
提案手法は,ラベル付きニュースデータの小さなサブセットであっても,優れた性能を示し,高い性能を維持する。
論文 参考訳（メタデータ） (2022-12-24T00:19:32Z) - Overview of the Shared Task on Fake News Detection in Urdu at FIRE 2021 [55.41644538483948]
共有タスクの目標は、コミュニティにこの重要な問題を解決するための効率的な方法を考え出すことを動機付けることです。
トレーニングセットには1300件の注釈付きニュース記事、750件のリアルニュース、550件のフェイクニュース、300件のニュース記事、200件のリアルニュース、100件のフェイクニュースが含まれている。
F1-macroスコアは0.679で、これは過去最高の0.907 F1-macroよりも低かった。
論文 参考訳（メタデータ） (2022-07-11T18:58:36Z) - 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) - Cross-lingual COVID-19 Fake News Detection [54.125563009333995]
低リソース言語(中国語)における新型コロナウイルスの誤報を検出するための最初の試みは、高リソース言語(英語)における事実チェックされたニュースのみを用いて行われる。
そこで我々は、クロスランガルなニュースボディテキストを共同でエンコードし、ニュースコンテンツをキャプチャするCrossFakeというディープラーニングフレームワークを提案する。
実験結果から,クロスランガル環境下でのCrossFakeの有効性が示された。
論文 参考訳（メタデータ） (2021-10-13T04:44:02Z) - A Heuristic-driven Uncertainty based Ensemble Framework for Fake News
Detection in Tweets and News Articles [5.979726271522835]
ニュース項目が「本物」か「偽」かを自動的に識別する新しい偽ニュース検出システムについて述べる。
我々は,事前学習したモデルと統計的特徴融合ネットワークからなるアンサンブルモデルを用いた。
提案手法は,分類タスクの適切なクラス出力信頼度レベルとともに,信頼性の高い予測不確実性を定量化した。
論文 参考訳（メタデータ） (2021-04-05T06:35:30Z) - A Heuristic-driven Ensemble Framework for COVID-19 Fake News Detection [5.979726271522835]
新型コロナウイルスに関連するツイートが「本物」か「フェイク」かを自動で識別するフェイクニュース検知システムについて述べる。
リーダーボードのジョイント8位を達成するためのトレーニング済みモデルで構成されたアンサンブルモデルを使用しています。
F1スコア0.9883のツイートにユーザ名ハンドルとリンクドメインに基づく新しいアルゴリズムを組み込むことで,システムを大幅に改善することができた。
論文 参考訳（メタデータ） (2021-01-10T13:21:08Z) - Transformer based Automatic COVID-19 Fake News Detection System [9.23545668304066]
新型コロナウイルス(COVID-19)のパンデミックでは、誤報が特に多い。
新型コロナウイルスのパンデミックに関するソーシャルメディア上で共有される情報の信頼性を分析する手法を報告する。
テストセットでは0.9855 f1スコアを獲得し,160チーム中5位にランクインした。
論文 参考訳（メタデータ） (2021-01-01T06:49:27Z) - g2tmn at Constraint@AAAI2021: Exploiting CT-BERT and Ensembling Learning
for COVID-19 Fake News Detection [0.0]
結果がConstraint@AAAI2021 Shared Task: COVID-19 Fake News Detection in Englishで発表されました。
本稿では,トランスフォーマーを用いた COVID-Twitter-BERT (CT-BERT) モデルのアンサンブルを用いたアプローチを提案する。
その結果,テストセットで98.69の重み付きF1スコアを達成した。
論文 参考訳（メタデータ） (2020-12-22T12:43:12Z) - Two Stage Transformer Model for COVID-19 Fake News Detection and Fact
Checking [0.3441021278275805]
我々は、自然言語処理のための機械学習モデルの状態を用いて、新型コロナウイルスの偽ニュース検出のための2段階の自動パイプラインを開発する。
最初のモデルは、新型コロナウイルス(COVID-19)の特定のクレームに関するユーザーのクレームに関する最も関連性の高い事実を検索する、新しい事実チェックアルゴリズムを活用する。
第2のモデルは、クレームと、手動でキュレートされたCOVID-19データセットから取得した真事実の間のテキストの関連性を計算することによって、クレームの真理レベルを検証する。
論文 参考訳（メタデータ） (2020-11-26T11:50:45Z) - Detecting Cross-Modal Inconsistency to Defend Against Neural Fake News [57.9843300852526]
我々は、画像やキャプションを含む機械生成ニュースに対して、より現実的で挑戦的な対策を導入する。
敵が悪用できる可能性のある弱点を特定するために、4つの異なる種類の生成された記事からなるNeuralNewsデータセットを作成します。
ユーザ実験から得られた貴重な知見に加えて,視覚的意味的不整合の検出にもとづく比較的効果的なアプローチを提案する。
論文 参考訳（メタデータ） (2020-09-16T14:13:15Z) - Machine Learning Explanations to Prevent Overtrust in Fake News
Detection [64.46876057393703]
本研究では、ニュースレビュープラットフォームに組み込んだ説明可能なAIアシスタントが、フェイクニュースの拡散と戦う効果について検討する。
我々は、ニュースレビューと共有インターフェースを設計し、ニュース記事のデータセットを作成し、4つの解釈可能なフェイクニュース検出アルゴリズムを訓練する。
説明可能なAIシステムについてより深く理解するために、説明プロセスにおけるユーザエンゲージメント、メンタルモデル、信頼、パフォーマンス対策の相互作用について議論する。
論文 参考訳（メタデータ） (2020-07-24T05:42:29Z)
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。