論文の概要: Embracing Domain Differences in Fake News: Cross-domain Fake News
Detection using Multi-modal Data
- arxiv url: http://arxiv.org/abs/2102.06314v1
- Date: Thu, 11 Feb 2021 23:31:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-15 13:16:23.884864
- Title: Embracing Domain Differences in Fake News: Cross-domain Fake News
Detection using Multi-modal Data
- Title（参考訳）: フェイクニュースにおけるドメイン差を受け入れる:マルチモーダルデータを用いたクロスドメインフェイクニュース検出
- Authors: Amila Silva, Ling Luo, Shanika Karunasekera, Christopher Leckie
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 18.66426327152407
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the rapid evolution of social media, fake news has become a significant
social problem, which cannot be addressed in a timely manner using manual
investigation. This has motivated numerous studies on automating fake news
detection. Most studies explore supervised training models with different
modalities (e.g., text, images, and propagation networks) of news records to
identify fake news. However, the performance of such techniques generally drops
if news records are coming from different domains (e.g., politics,
entertainment), especially for domains that are unseen or rarely-seen during
training. As motivation, we empirically show that news records from different
domains have significantly different word usage and propagation patterns.
Furthermore, due to the sheer volume of unlabelled news records, it is
challenging to select news records for manual labelling so that the
domain-coverage of the labelled dataset is maximized. Hence, this work: (1)
proposes a novel framework that jointly preserves domain-specific and
cross-domain knowledge in news records to detect fake news from different
domains; and (2) introduces an unsupervised technique to select a set of
unlabelled informative news records for manual labelling, which can be
ultimately used to train a fake news detection model that performs well for
many domains while minimizing the labelling cost. Our experiments show that the
integration of the proposed fake news model and the selective annotation
approach achieves state-of-the-art performance for cross-domain news datasets,
while yielding notable improvements for rarely-appearing domains in news
datasets.
- Abstract（参考訳）: ソーシャルメディアの急速な進化に伴い、フェイクニュースは重要な社会問題となり、手動調査を使用してタイムリーに対処することはできません。
これは偽ニュース検出の自動化に関する多くの研究を動機づけている。
ほとんどの研究は、フェイクニュースを特定するために、ニュースレコードの様々なモーダル(テキスト、画像、伝播ネットワークなど)を持つ教師付きトレーニングモデルを検討する。
しかし、特に訓練中に見当たらない、またはほとんど見当たらないドメインに対して、ニュース記録が異なるドメイン(例えば、政治、娯楽)から来れば、その技術のパフォーマンスは低下する。
モチベーションとして、異なるドメインのニュースレコードは、単語使用量や伝播パターンが著しく異なることを実証的に示す。
さらに、ラベルなしのニュースレコードの量が多いため、ラベル付きデータセットのドメイン被覆を最大化するため、手動ラベリング用のニュースレコードを選択することが困難である。
そこで本研究では,(1)異なるドメインからの偽ニュースを検出するために,ニュースレコードにおける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持する新たな枠組みを提案し,(2)手動ラベリングのためのラベルなし情報付きニュースレコードのセットを選択するための教師なし手法を導入し,最終的には多くのドメインで有効な偽ニュース検出モデルを訓練し,ラベルコストを最小化することができる。
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により,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とともに,ニュースデータセットにおける稀に現れるドメインに対して顕著な改善が得られた。
関連論文リスト
- FineFake: A Knowledge-Enriched Dataset for Fine-Grained Multi-Domain Fake News Detection [54.37159298632628]
FineFakeは、フェイクニュース検出のためのマルチドメイン知識強化ベンチマークである。
FineFakeは6つのセマンティックトピックと8つのプラットフォームにまたがる16,909のデータサンプルを含んでいる。
FineFakeプロジェクト全体がオープンソースリポジトリとして公開されている。
論文 参考訳（メタデータ） (2024-03-30T14:39:09Z) - Robust Domain Misinformation Detection via Multi-modal Feature Alignment [49.89164555394584]
マルチモーダルな誤情報検出のための頑健なドメインとクロスモーダルなアプローチを提案する。
テキストと視覚の共役分布を整列させることにより、ドメインシフトを低減する。
また,ドメイン一般化のアプリケーションシナリオを同時に検討するフレームワークを提案する。
論文 参考訳（メタデータ） (2023-11-24T07:06:16Z) - Unsupervised Domain-agnostic Fake News Detection using Multi-modal Weak
Signals [19.22829945777267]
本研究は,4つのモダリティで利用可能な知識をニュースレコードに埋め込んだ,教師なしフェイクニュース検出のための効果的なフレームワークを提案する。
また,既存のニュースデータセットの潜伏バイアスを最小限に抑えたニュースデータセット構築手法を提案する。
LUND-COVIDを使って提案した教師なしフレームワークをトレーニングし、大規模データセットの可能性を活用した。
論文 参考訳（メタデータ） (2023-05-18T23:49:31Z) - 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) - Memory-Guided Multi-View Multi-Domain Fake News Detection [39.035462224569166]
メモリ誘導型マルチドメインフェイクニュース検出フレームワーク(M$3$FEND)を提案する。
具体的には、潜在的なドメインラベルを発見可能なドメイン情報を強化するためのドメインメモリバンクを提案する。
リッチなドメイン情報を入力として使用することで、ドメインアダプタは、さまざまなドメインのニュースに対する複数のビューから識別情報を適応的に集約することができる。
論文 参考訳（メタデータ） (2022-06-26T07:09:23Z) - 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) - Domain Adaptive Fake News Detection via Reinforcement Learning [34.95213747705498]
本稿では、偽ニュースを検出するためのREAL-FNDと呼ばれる新しい強化学習モデルを提案する。
実世界のデータセットの実験では、提案モデルの有効性が示されている。
論文 参考訳（メタデータ） (2022-02-16T16:05:37Z) - MDFEND: Multi-domain Fake News Detection [15.767582764441627]
本稿では、ドメインゲートを利用して複数の専門家が抽出した複数の表現を集約し、効果的なマルチドメインフェイクニュース検出モデル(MDFEND)を提案する。
実験の結果,MDFENDはマルチドメインフェイクニュース検出の性能を大幅に向上させることができることがわかった。
論文 参考訳（メタデータ） (2022-01-04T05:28:25Z) - A Deep Learning Approach for Automatic Detection of Fake News [47.00462375817434]
複数のドメインのオンラインニュースコンテンツにおいて、偽ニュース検出問題を解決するためのディープラーニングに基づく2つのモデルを提案する。
我々は、最近リリースされたFakeNews AMTとCelebrityという2つのデータセットを用いて、フェイクニュース検出のための手法を評価した。
論文 参考訳（メタデータ） (2020-05-11T09:07:46Z)
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。