論文の概要: SRLF: A Stance-aware Reinforcement Learning Framework for Content-based Rumor Detection on Social Media

• arxiv url: http://arxiv.org/abs/2105.04098v1
• Date: Mon, 10 May 2021 03:58:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-12 00:32:55.117702
• Title: SRLF: A Stance-aware Reinforcement Learning Framework for Content-based Rumor Detection on Social Media
• Title（参考訳）: SRLF:ソーシャルメディア上でのコンテンツに基づく騒音検出のためのスタンス対応強化学習フレームワーク
• Authors: Chunyuan Yuan, Wanhui Qian, Qianwen Ma, Wei Zhou, Songlin Hu
• Abstract要約: 初期のコンテンツベースの方法は、噂の検出のためにテキストとユーザープロファイルから手がかりを見つけることに集中した。 近年の研究では、ユーザのコメントとニュースコンテンツを組み合わせて、真実と偽の噂の違いを捉えている。 本稿では,モデルトレーニングと噂検出のための高品質なラベル付き姿勢データを選択するための,SRLF(Stance-Aware Reinforcement Learning Framework)を提案する。
• 参考スコア（独自算出の注目度）: 15.985224010346593
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid development of social media changes the lifestyle of people and simultaneously provides an ideal place for publishing and disseminating rumors, which severely exacerbates social panic and triggers a crisis of social trust. Early content-based methods focused on finding clues from the text and user profiles for rumor detection. Recent studies combine the stances of users' comments with news content to capture the difference between true and false rumors. Although the user's stance is effective for rumor detection, the manual labeling process is time-consuming and labor-intensive, which limits the application of utilizing it to facilitate rumor detection. In this paper, we first finetune a pre-trained BERT model on a small labeled dataset and leverage this model to annotate weak stance labels for users' comment data to overcome the problem mentioned above. Then, we propose a novel Stance-aware Reinforcement Learning Framework (SRLF) to select high-quality labeled stance data for model training and rumor detection. Both the stance selection and rumor detection tasks are optimized simultaneously to promote both tasks mutually. We conduct experiments on two commonly used real-world datasets. The experimental results demonstrate that our framework outperforms the state-of-the-art models significantly, which confirms the effectiveness of the proposed framework.
• Abstract（参考訳）: ソーシャルメディアの急速な発展は人々の生活様式を変え、同時に、社会パニックを悪化させ、社会的信頼の危機を引き起こす噂を公表し広めるための理想的な場所を提供する。 初期のコンテンツベースの手法は、噂検出のためのテキストとユーザプロファイルからヒントを見つけることに焦点を当てていた。 近年の研究では、ユーザのコメントとニュースコンテンツを組み合わせて、真実と偽の噂の違いを捉えている。 ユーザのスタンスはうわさ検出に有効であるが,手動ラベリングプロセスは時間と労力がかかるため,うわさ検出に利用することの制限がある。 本稿では,まず,学習済みBERTモデルを小さなラベル付きデータセット上に微調整し,このモデルを利用してユーザのコメントデータに対する弱いスタンスラベルを注釈付けして,上記の問題を克服する。 そこで本研究では,モデルトレーニングと噂検出のための高品質なラベル付きスタンスデータを選択するための,SRLF(Stance-Aware Reinforcement Learning Framework)を提案する。 姿勢選択と噂検出タスクを同時に最適化し、双方のタスクを相互に促進する。 我々は2つのよく使われる実世界のデータセットで実験を行う。 実験の結果,本フレームワークは最先端モデルよりも優れた性能を示し,提案フレームワークの有効性を確認した。

関連論文リスト

• Rumor Detection with a novel graph neural network approach [12.42658463552019]
  ソーシャルメディア上での噂を検出するために,ユーザ相関と情報伝達の表現を共同で学習する新しい検出モデルを提案する。 具体的には、グラフニューラルネットワークを利用して、二部グラフからユーザ相関の表現を学習する。 本研究では,ユーザ相関パターンを逆転させるには高いコストが必要であることを示すとともに,ユーザ相関をうわさ検出のために考慮することの重要性を示す。
  論文  参考訳（メタデータ） (2024-03-24T15:59:47Z)
• Decoding the Silent Majority: Inducing Belief Augmented Social Graph with Large Language Model for Response Forecasting [74.68371461260946]
  SocialSenseは、既存のソーシャルネットワーク上に信念中心のグラフを誘導するフレームワークであり、グラフベースの伝播によって社会的ダイナミクスを捉える。 本手法は,ゼロショット設定と教師あり設定の両方に対する実験的な評価において,既存の最先端技術を超えている。
  論文  参考訳（メタデータ） (2023-10-20T06:17:02Z)
• 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)
• A Unified Contrastive Transfer Framework with Propagation Structure for Boosting Low-Resource Rumor Detection [11.201348902221257]
  既存の噂検出アルゴリズムは 昨日のニュースで 有望な性能を見せています 十分なトレーニングデータや事前の専門家知識が欠如しているため、予期せぬ出来事に関する噂を見つけるのが苦手である。 本稿では,十分な情報源から得られた特徴を,少数のアノテーションで少ない資料に適応させることで,噂を検出するための一貫したコントラスト転送フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-04T03:13:03Z)
• Verifying the Robustness of Automatic Credibility Assessment [50.55687778699995]
  入力テキストにおける意味保存的変化がモデルを誤解させる可能性があることを示す。 また、誤情報検出タスクにおける被害者モデルと攻撃方法の両方をテストするベンチマークであるBODEGAについても紹介する。 我々の実験結果によると、現代の大規模言語モデルは、以前のより小さなソリューションよりも攻撃に対して脆弱であることが多い。
  論文  参考訳（メタデータ） (2023-03-14T16:11:47Z)
• Probing Spurious Correlations in Popular Event-Based Rumor Detection Benchmarks [28.550143417847373]
  オープンソースのベンチマークデータセットは、既存の研究で無視されている急激な相関に悩まされている。 本稿では,突発的な手がかりを除去する手段として,事象分離型うわさ検出法を提案する。 提案手法は, 有効性, 効率, 一般化性の観点から, 既存のベースラインよりも優れている。
  論文  参考訳（メタデータ） (2022-09-19T07:11:36Z)
• Rumor Detection with Self-supervised Learning on Texts and Social Graph [101.94546286960642]
  異種情報ソース上での自己教師型学習を対照的に提案し,それらの関係を明らかにするとともに,噂をよりよく特徴付ける。 我々はこの枠組みをSRD(Self-supervised Rumor Detection)と呼ぶ。 3つの実世界のデータセットに対する大規模な実験により、ソーシャルメディア上での噂の自動検出におけるSRDの有効性が検証された。
  論文  参考訳（メタデータ） (2022-04-19T12:10:03Z)
• 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)
• A Closer Look at Debiased Temporal Sentence Grounding in Videos: Dataset, Metric, and Approach [53.727460222955266]
  テンポラル・センテンス・グラウンディング・イン・ビデオ(TSGV)は、未編集のビデオに自然言語文を埋め込むことを目的としている。 最近の研究では、現在のベンチマークデータセットには明らかなモーメントアノテーションバイアスがあることが判明している。 偏りのあるデータセットによる膨らませ評価を緩和するため、基礎的リコールスコアを割引する新しい評価基準「dR@n,IoU@m」を導入する。
  論文  参考訳（メタデータ） (2022-03-10T08:58:18Z)
• Ensemble Deep Learning on Time-Series Representation of Tweets for Rumor Detection in Social Media [2.6514980627603006]
  本稿では,Twitterデータの時系列ベクトル表現を用いて,深層ニューラルネットワークによる予測の集合に対して多数投票を行い,噂をタイムリーに検出するアンサンブルモデルを提案する。 実験結果から, マイクロF1スコアの分類性能は, ベースラインに比べて7.9%向上していることがわかった。
  論文  参考訳（メタデータ） (2020-04-26T23:13:31Z)
• RP-DNN: A Tweet level propagation context based deep neural networks for early rumor detection in Social Media [3.253418861583211]
  ソーシャルメディアプラットフォーム上での早期の噂検出(ERD)は、限定的で不完全でノイズの多い情報が利用可能である場合、非常に困難である。 本稿では,文字ベース双方向言語モデルとLong Short-Term Memory(LSTM)ネットワークを組み合わせた,新しいハイブリッドニューラルネットワークアーキテクチャを提案する。 当社のモデルでは,12件以上のイベントと2,967件の噂を網羅する大規模拡張データ上での未知の噂を検出するために,最先端(SoA)性能を実現している。
  論文  参考訳（メタデータ） (2020-02-28T12:44:34Z)

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。