Fugu-MT 論文翻訳(概要): On Unifying Misinformation Detection

論文の概要: On Unifying Misinformation Detection

arxiv url: http://arxiv.org/abs/2104.05243v1
Date: Mon, 12 Apr 2021 07:25:49 GMT
ステータス: 処理完了
システム内更新日: 2021-04-14 03:00:15.497208
Title: On Unifying Misinformation Detection
Title（参考訳）: 誤情報検出の統一について
Authors: Nayeon Lee, Belinda Z. Li, Sinong Wang, Pascale Fung, Hao Ma, Wen-tau Yih, Madian Khabsa
Abstract要約: このモデルは、ニュースバイアスの検出、クリックベイト、フェイクニュース、噂の検証の4つのタスクを扱うように訓練されている。 We demonstrate that UnifiedM2's learned representation is help for few-shot learning of unseen misinformation tasks/datasets。
参考スコア（独自算出の注目度）: 51.10764477798503
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we introduce UnifiedM2, a general-purpose misinformation model that jointly models multiple domains of misinformation with a single, unified setup. The model is trained to handle four tasks: detecting news bias, clickbait, fake news, and verifying rumors. By grouping these tasks together, UnifiedM2learns a richer representation of misinformation, which leads to state-of-the-art or comparable performance across all tasks. Furthermore, we demonstrate that UnifiedM2's learned representation is helpful for few-shot learning of unseen misinformation tasks/datasets and model's generalizability to unseen events.
Abstract（参考訳）: 本稿では,複数の誤情報領域を1つの統一的な設定でモデル化する汎用的誤情報モデルUnifiedM2を紹介する。このモデルは、ニュースバイアスの検出、クリックベイト、フェイクニュース、噂の検証の4つのタスクを扱うように訓練されている。これらのタスクをまとめることで、UnifiedM2は誤った情報をよりリッチに表現し、すべてのタスクに対して最先端または同等のパフォーマンスをもたらす。さらに、UnifiedM2の学習表現は、見知らぬ誤情報タスク/データセットと、見つからないイベントに対するモデルの一般化可能性のわずかな学習に役立つことを示す。

関連論文リスト

DEGAP: Dual Event-Guided Adaptive Prefixes for Templated-Based Event Argument Extraction with Slot Querying [32.115904077731386]
イベント引数抽出(EAE)の最近の進歩は、トレーニングや推論中に有用な補助情報をモデルに組み込むことである。これらの手法は,(1)検索結果が無関係である場合があり,(2)テンプレートは関連性を考慮せずに,各イベントごとに独立して開発される場合の2つの課題に直面する。本稿では,2つのプレフィックス,すなわち学習可能なプロンプトベクトル,イベント誘導型適応ゲーティング機構を用いて,これらの課題に対処するDEGAPを提案する。
論文参考訳（メタデータ） (2024-05-22T03:56:55Z)
GenEARL: A Training-Free Generative Framework for Multimodal Event Argument Role Labeling [89.07386210297373]
GenEARLは、イベントタスク記述を理解するために近代的な生成モデルの力を利用する、トレーニング不要な生成フレームワークである。 GenEARLは、M2E2データセットとSwiGデータセット上のゼロショットEARLに対して、CLIPベースラインを9.4%、精度14.2%で上回っている。
論文参考訳（メタデータ） (2024-04-07T00:28:13Z)
Factorized Contrastive Learning: Going Beyond Multi-view Redundancy [116.25342513407173]
本稿では,マルチビュー冗長性を超えた新しいマルチモーダル表現学習法であるFacterCLを提案する。大規模な実世界のデータセットでは、FacterCLは共有情報とユニークな情報の両方をキャプチャし、最先端の結果を達成する。
論文参考訳（メタデータ） (2023-06-08T15:17:04Z)
Musketeer: Joint Training for Multi-task Vision Language Model with Task Explanation Prompts [75.75548749888029]
本稿では,全てのタスクに対してパラメータを共同で訓練し,複数の異種タスク間で完全に共有する視覚言語モデルを提案する。単一のモデルで、Musteteerは単一のタスクでトレーニングされた強いベースラインに匹敵する結果を得る。
論文参考訳（メタデータ） (2023-05-11T17:57:49Z)
Improving Cross-task Generalization of Unified Table-to-text Models with Compositional Task Configurations [63.04466647849211]
メソッドは通常、タスク情報をエンコーダのプレフィックスとして単純なデータセット名でエンコードする。本稿では,エンコーダがタスク間の一般化を改善するためのプロンプトセットであるコンポジションタスク構成を提案する。これは、モデルがトレーニング中に異なるタスク間で共有知識をより良く学習できるだけでなく、新しい構成を構築することでモデルを制御できることを示している。
論文参考訳（メタデータ） (2022-12-17T02:20:14Z)
OS-MSL: One Stage Multimodal Sequential Link Framework for Scene Segmentation and Classification [11.707994658605546]
本稿では,2つの意味論を識別し,活用するための汎用1段マルチモーダルシーケンスリンクフレームワーク(OS-MSL)を提案する。我々はDiffCorrNetと呼ばれる特定のモジュールを調整し、ショット間の差分や相関関係の情報を明示的に抽出する。
論文参考訳（メタデータ） (2022-07-04T07:59:34Z)
X-Learner: Learning Cross Sources and Tasks for Universal Visual Representation [71.51719469058666]
本稿では,X-Learnerという表現学習フレームワークを提案する。 X-Learnerは、様々なソースによって管理される複数の視覚タスクの普遍的な特徴を学習する。 X-Learnerは、追加のアノテーションやモダリティ、計算コストを使わずに、様々なタスクで強力なパフォーマンスを達成する。
論文参考訳（メタデータ） (2022-03-16T17:23:26Z)
UofA-Truth at Factify 2022 : Transformer And Transfer Learning Based Multi-Modal Fact-Checking [0.0]
マルチモーダルニュースソースにおける誤情報・偽情報自動検出の課題に対処しようと試みた。私たちのモデルはF1重み付けスコア74.807%を生成しました。
論文参考訳（メタデータ） (2022-01-28T18:13:03Z)
MiRANews: Dataset and Benchmarks for Multi-Resource-Assisted News Summarization [19.062996443574047]
我々は、新しいデータセットMiRANewsと既存の要約モデルをベンチマークする。データ分析を通じて、責任を負うのはモデルだけではないことを示します。 Assisted summarization is reduce 55% of Hallucination than single-document summarization model trained on the main article only。
論文参考訳（メタデータ） (2021-09-22T10:58:40Z)
A Unified Framework for Generic, Query-Focused, Privacy Preserving and Update Summarization using Submodular Information Measures [15.520331683061633]
汎用的でクエリを重視し,プライバシーに敏感で,要約タスクを更新するためのリッチなフレームワークとして,サブモジュール情報測度について検討する。まず,従来の問合せと更新の要約技術が,前述のサブモジュール情報対策の様々なインスタンス化を無意識に用いていることを示す。合成データセットと既存の実世界の画像収集データセットの両方で実験により得られた知見を実証的に検証した。
論文参考訳（メタデータ） (2020-10-12T12:03:03Z)

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。