論文の概要: Adversarial Active Learning based Heterogeneous Graph Neural Network for
Fake News Detection
- arxiv url: http://arxiv.org/abs/2101.11206v1
- Date: Wed, 27 Jan 2021 05:05:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-13 19:33:35.074785
- Title: Adversarial Active Learning based Heterogeneous Graph Neural Network for
Fake News Detection
- Title（参考訳）: 偽ニュース検出のための対比アクティブ学習に基づく異種グラフニューラルネットワーク
- Authors: Yuxiang Ren, Bo Wang, Jiawei Zhang and Yi Chang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 18.847254074201953
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The explosive growth of fake news along with destructive effects on politics,
economy, and public safety has increased the demand for fake news detection.
Fake news on social media does not exist independently in the form of an
article. Many other entities, such as news creators, news subjects, and so on,
exist on social media and have relationships with news articles. Different
entities and relationships can be modeled as a heterogeneous information
network (HIN). In this paper, we attempt to solve the fake news detection
problem with the support of a news-oriented HIN. We propose a novel fake news
detection framework, namely Adversarial Active Learning-based Heterogeneous
Graph Neural Network (AA-HGNN) which employs a novel hierarchical attention
mechanism to perform node representation learning in the HIN. AA-HGNN utilizes
an active learning framework to enhance learning performance, especially when
facing the paucity of labeled data. An adversarial selector will be trained to
query high-value candidates for the active learning framework. When the
adversarial active learning is completed, AA-HGNN detects fake news by
classifying news article nodes. Experiments with two real-world fake news
datasets show that our model can outperform text-based models and other
graph-based models when using less labeled data benefiting from the adversarial
active learning. As a model with generalizability, AA-HGNN also has the ability
to be widely used in other node classification-related applications on
heterogeneous graphs.
- Abstract（参考訳）: フェイクニュースの爆発的な成長と、政治、経済、公共安全への破壊的な影響により、フェイクニュース検出の需要が増加した。
ソーシャルメディア上のフェイクニュースは、記事の形で独立して存在しない。
ニュースクリエイターやニューステーマなど、他の多くの団体はソーシャルメディア上に存在し、ニュース記事との関係を持っています。
異なる実体と関係は異種情報ネットワーク(HIN)としてモデル化することができる。
本稿では,ニュース指向HINのサポートにより,偽ニュース検出問題の解決を試みる。
HINでノード表現学習を行うための新しい階層的注意メカニズムを用いた、Adversarial Active Learning-based Heterogeneous Graph Neural Network (AA-HGNN) という偽ニュース検出フレームワークを提案する。
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。
対戦型セレクタは、アクティブラーニングフレームワークの高価値候補をクエリするために訓練される。
対向能動学習が完了すると、AA-HGNNはニュース記事ノードを分類して偽ニュースを検出する。
2つの現実世界の偽ニュースデータセットを用いた実験により、我々のモデルは、逆のアクティブラーニングの恩恵を受けるラベル付きデータが少ない場合、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も優れています。
一般化可能性を持つモデルとして、AA-HGNNは異種グラフ上の他のノード分類関連アプリケーションにも広く用いられる。
関連論文リスト
- Prompt-and-Align: Prompt-Based Social Alignment for Few-Shot Fake News
Detection [50.07850264495737]
プロンプト・アンド・アライン(Prompt-and-Align、P&A)は、数発のフェイクニュース検出のための新しいプロンプトベースのパラダイムである。
我々はP&Aが、数発のフェイクニュース検出性能をかなりのマージンで新たな最先端に設定していることを示す。
論文 参考訳（メタデータ） (2023-09-28T13:19:43Z) - 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) - Multiverse: Multilingual Evidence for Fake News Detection [71.51905606492376]
Multiverseは、偽ニュースの検出に使用できる多言語エビデンスに基づく新機能である。
偽ニュース検出機能としての言語間証拠の使用仮説を確認した。
論文 参考訳（メタデータ） (2022-11-25T18:24:17Z) - Modelling Social Context for Fake News Detection: A Graph Neural Network
Based Approach [0.39146761527401425]
フェイクニュースの検出は、情報の信頼性を確保し、ニュースエコシステムの信頼性を維持するために不可欠である。
本稿では,ハイブリッドグラフニューラルネットワークによる偽ニュース検出の社会的文脈を解析した。
論文 参考訳（メタデータ） (2022-07-27T12:58:33Z) - Fake News Quick Detection on Dynamic Heterogeneous Information Networks [3.599616699656401]
偽ニュース検出のための新しい動的不均一グラフニューラルネットワーク(DHGNN)を提案する。
我々はまず、ニュース記事の内容と著者プロファイルのセマンティック表現を得るために、BERTと微調整BERTを実装した。
そして、文脈情報と関係を反映した異質なニュース著者グラフを構築する。
論文 参考訳（メタデータ） (2022-05-14T11:23:25Z) - A comparative analysis of Graph Neural Networks and commonly used
machine learning algorithms on fake news detection [0.0]
低コスト、ソーシャルプラットフォーム経由のシンプルなアクセシビリティ、低予算のオンラインニュースソースが、偽ニュースの普及に寄与する要因の1つだ。
既存の偽ニュース検出アルゴリズムのほとんどは、ニュースコンテンツのみに焦点を当てている。
エンゲージメントのあるユーザーによる事前投稿やソーシャル活動は、ニュースに対する見解に関する豊富な情報を提供し、フェイクニュースの識別を改善する重要な能力を持っている。
論文 参考訳（メタデータ） (2022-03-26T18:40:03Z) - 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) - User Preference-aware Fake News Detection [61.86175081368782]
既存の偽ニュース検出アルゴリズムは、詐欺信号のニュースコンテンツをマイニングすることに焦点を当てている。
本稿では,共同コンテンツとグラフモデリングにより,ユーザの好みから様々な信号を同時にキャプチャする新しいフレームワークUPFDを提案する。
論文 参考訳（メタデータ） (2021-04-25T21:19:24Z) - 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) - Graph Enhanced Representation Learning for News Recommendation [85.3295446374509]
本稿では,ユーザとニュースの表現学習を強化するニューズレコメンデーション手法を提案する。
本手法では,歴史的ユーザクリック行動から構築した二部グラフのノードとして,ユーザとニュースをみなす。
論文 参考訳（メタデータ） (2020-03-31T15:27:31Z) - Fake News Detection on News-Oriented Heterogeneous Information Networks
through Hierarchical Graph Attention [12.250335118888891]
階層型グラフ注意ネットワーク(HGAT)という,新たなフェイクニュース検出フレームワークを提案する。
HGATは、新しい階層的な注意機構を使用して、HINでノード表現学習を行い、ニュース記事ノードを分類することでフェイクニュースを検出する。
2つの実世界のフェイクニュースデータセットの実験は、HGATがテキストベースのモデルや他のネットワークベースのモデルより優れていることを示している。
論文 参考訳（メタデータ） (2020-02-05T19:09:13Z)
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。