論文の概要: Combining exogenous and endogenous signals with a semi-supervised co-attention network for early detection of COVID-19 fake tweets

• arxiv url: http://arxiv.org/abs/2104.05321v1
• Date: Mon, 12 Apr 2021 10:01:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-14 01:35:41.157781
• Title: Combining exogenous and endogenous signals with a semi-supervised co-attention network for early detection of COVID-19 fake tweets
• Title（参考訳）: 新型コロナウイルスの偽ツイートを早期に検出するための半教師付きコアテンションネットワークと外因性および内因性シグナルの組み合わせ
• Authors: Rachit Bansal, William Scott Paka, Nidhi, Shubhashis Sengupta, Tanmoy Chakraborty
• Abstract要約: 新型コロナウイルス(COVID-19)の間、誤報のあるツイートは早期に警告され、中立化され、被害を軽減する必要がある。 偽ニュースを早期に検出する既存の方法のほとんどは、大きなラベル付きツイートに十分な伝搬情報を持っていると仮定している。 我々は、ツイートに関連する内因性および内因性信号を活用する新しい早期検出モデルENDEMICを提案する。
• 参考スコア（独自算出の注目度）: 14.771202995527315
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fake tweets are observed to be ever-increasing, demanding immediate countermeasures to combat their spread. During COVID-19, tweets with misinformation should be flagged and neutralized in their early stages to mitigate the damages. Most of the existing methods for early detection of fake news assume to have enough propagation information for large labeled tweets -- which may not be an ideal setting for cases like COVID-19 where both aspects are largely absent. In this work, we present ENDEMIC, a novel early detection model which leverages exogenous and endogenous signals related to tweets, while learning on limited labeled data. We first develop a novel dataset, called CTF for early COVID-19 Twitter fake news, with additional behavioral test sets to validate early detection. We build a heterogeneous graph with follower-followee, user-tweet, and tweet-retweet connections and train a graph embedding model to aggregate propagation information. Graph embeddings and contextual features constitute endogenous, while time-relative web-scraped information constitutes exogenous signals. ENDEMIC is trained in a semi-supervised fashion, overcoming the challenge of limited labeled data. We propose a co-attention mechanism to fuse signal representations optimally. Experimental results on ECTF, PolitiFact, and GossipCop show that ENDEMIC is highly reliable in detecting early fake tweets, outperforming nine state-of-the-art methods significantly.
• Abstract（参考訳）: フェイクツイートは絶え間なく増加しており、拡散に対抗するための即時対策を要求している。 新型コロナウイルス(COVID-19)では、誤報のあるツイートを早期に警告し、中立化し、被害を軽減する必要がある。 偽ニュースを早期に検出する既存の方法のほとんどは、大きなツイートをラベル付けするのに十分な伝搬情報を持っていると仮定している。 そこで本研究では,ラベル付きデータを用いて学習しながら,つぶやきに関する外因性および内因性信号を活用する新しい早期検出モデルであるendemicを提案する。 まず,新しいデータセットである ctf for early covid-19 twitter fake news を開発し,早期検出を検証するための行動テストセットを追加した。 フォロー・フォロー、ユーザー・ツイート、ツイート・リツイートのコネクションを持つ異種グラフを構築し、グラフ埋め込みモデルを訓練し、伝播情報を集約する。 グラフ埋め込みとコンテキスト特徴は内在的であり、時間関係のウェブスクラッド情報は外在的信号を構成する。 ENDEMICは、限定ラベル付きデータの課題を克服し、半教師付きで訓練されている。 信号表現を最適に融合するコアテンション機構を提案する。 ECTF、PolitFact、GossipCopの実験結果から、ENDEMICは早期の偽ツイートの検出に高い信頼性を示し、9つの最先端メソッドを著しく上回っている。

関連論文リスト

• Enhancing Fake News Detection in Social Media via Label Propagation on Cross-modal Tweet Graph [19.409935976725446]
  ソーシャルメディアにおける偽ニュースを検出する新しい方法を提案する。 我々の手法は、より密な相互作用をよりよく捉えるために、グラフの接続性を高める。 評価には、Twitter、PHEME、Weiboの3つの公開フェイクニュースデータセットを使用します。
  論文  参考訳（メタデータ） (2024-06-14T09:55:54Z)
• CrisisMatch: Semi-Supervised Few-Shot Learning for Fine-Grained Disaster Tweet Classification [51.58605842457186]
  半教師付き, 少数ショットの学習環境下で, 微粒な災害ツイート分類モデルを提案する。 私たちのモデルであるCrisisMatchは、ラベルなしデータと大量のラベルなしデータを用いて、ツイートを関心の細かいクラスに効果的に分類する。
  論文  参考訳（メタデータ） (2023-10-23T07:01:09Z)
• ManiTweet: A New Benchmark for Identifying Manipulation of News on Social Media [74.93847489218008]
  ソーシャルメディア上でのニュースの操作を識別し,ソーシャルメディア投稿の操作を検出し,操作された情報や挿入された情報を特定することを目的とした,新しいタスクを提案する。 この課題を研究するために,データ収集スキーマを提案し,3.6K対のツイートとそれに対応する記事からなるManiTweetと呼ばれるデータセットをキュレートした。 我々の分析では、このタスクは非常に難しいことを示し、大きな言語モデル(LLM)は不満足なパフォーマンスをもたらす。
  論文  参考訳（メタデータ） (2023-05-23T16:40:07Z)
• Big data analysis and distributed deep learning for next-generation intrusion detection system optimization [0.0]
  本稿では,IDSよりも検出率が高く,偽陽性が低い新たな脅威を検出する方法を提案する。 我々は、Apache Spark Framework上でのLong Short Term Memory(LSTM)というディープリカレントニューラルネットワークであるNetworkingを使用して、これらの結果を達成する。 そこで本稿では,ネットワークがコンテキスト内の数百万のパケット列から通常動作を抽象的に記述し,ほぼリアルタイムで解析し,ポイント,集合,コンテキストの異常を検出するモデルを提案する。
  論文  参考訳（メタデータ） (2022-09-28T09:46:16Z)
• Machine Learning-based Automatic Annotation and Detection of COVID-19 Fake News [8.020736472947581]
  新型コロナウイルス(COVID-19)は世界のあらゆる地域に影響を与えるが、感染の誤報はウイルスよりも速く移動した。 既存の作業は、拡散の触媒として働くボットの存在を無視する。 そこで本稿では,Twitterデータセット上で事実確認文をラベル付けする手法を提案する。
  論文  参考訳（メタデータ） (2022-09-07T13:55:59Z)
• Mining Fine-grained Semantics via Graph Neural Networks for Evidence-based Fake News Detection [20.282527436527765]
  本稿では,グラフベースのsEmantic sTructureマイニングフレームワークを提案する。 我々は、クレームとエビデンスをグラフ構造化データとしてモデル化し、長距離セマンティック依存関係をキャプチャします。 文脈意味情報を得た後、グラフ構造学習を行うことにより、情報冗長性を低減する。
  論文  参考訳（メタデータ） (2022-01-18T11:28:36Z)
• Twitter-COMMs: Detecting Climate, COVID, and Military Multimodal Misinformation [83.2079454464572]
  本稿では,DARPAセマンティック・フォレスティクス(SemaFor)プログラムにおける画像テキスト不整合検出へのアプローチについて述べる。 Twitter-COMMsは大規模マルチモーダルデータセットで、884万のツイートが気候変動、新型コロナウイルス、軍用車両のトピックに関連する。 我々は、最先端のCLIPモデルに基づいて、自動生成されたランダムとハードのネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガネガ
  論文  参考訳（メタデータ） (2021-12-16T03:37:20Z)
• Deep Fraud Detection on Non-attributed Graph [61.636677596161235]
  グラフニューラルネットワーク(GNN)は不正検出に強い性能を示している。 ラベル付きデータは大規模な産業問題、特に不正検出には不十分である。 よりラベルのないデータを活用するための新しいグラフ事前学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-10-04T03:42:09Z)
• Graph-based Joint Pandemic Concern and Relation Extraction on Twitter [19.7176519744206]
  公衆の懸念検出は、パンデミックの流行前またはその間、危機管理のための当局に潜在的ガイダンスを提供する。 ソーシャルメディアの膨大な情報から時間内の懸念を検出することは、大きな課題であることがわかりました。 本稿では,人々の関心事とそれに対応する関係を識別する新しいエンド・ツー・エンドのディープラーニングモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-18T06:06:35Z)
• Anomaly Detection-Based Unknown Face Presentation Attack Detection [74.4918294453537]
  異常検出に基づくスプーフ攻撃検出は、顔提示攻撃検出の最近の進歩である。 本稿では,異常検出に基づくスプーフ攻撃検出のためのディープラーニングソリューションを提案する。 提案手法はCNNの表現学習能力の恩恵を受け,fPADタスクの優れた特徴を学習する。
  論文  参考訳（メタデータ） (2020-07-11T21:20:55Z)
• Leveraging Multi-Source Weak Social Supervision for Early Detection of Fake News [67.53424807783414]
  ソーシャルメディアは、人々が前例のない速度でオンライン活動に参加することを可能にする。 この制限のないアクセスは、誤情報や偽ニュースの拡散を悪化させ、その緩和のために早期に検出されない限り混乱と混乱を引き起こす可能性がある。 ソーシャルエンゲージメントからの弱い信号とともに、限られた量のクリーンデータを活用して、メタラーニングフレームワークでディープニューラルネットワークをトレーニングし、さまざまな弱いインスタンスの品質を推定します。 実世界のデータセットの実験では、提案されたフレームワークは、予測時にユーザーエンゲージメントを使わずに、フェイクニュースを早期に検出するための最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2020-04-03T18:26:33Z)

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。