論文の概要: HAT4RD: Hierarchical Adversarial Training for Rumor Detection on Social
Media
- arxiv url: http://arxiv.org/abs/2110.00425v2
- Date: Mon, 29 Aug 2022 14:45:20 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-16 21:08:55.803555
- Title: HAT4RD: Hierarchical Adversarial Training for Rumor Detection on Social
Media
- Title（参考訳）: HAT4RD:ソーシャルメディア上での噂検出のための階層的逆行訓練
- Authors: Shiwen Ni, Jiawen Li and Hung-Yu Kao
- Abstract要約: 自然言語は高次元で疎外であり、同じ噂がソーシャルメディア上で数百の方法で表現されるかもしれない。
ソーシャルメディア上でのtextbfrumor textbfdetection (HAT4RD) のための新しいtextbfhierarchical textbfadversarial textbftraining法を提案する。
- 参考スコア（独自算出の注目度）: 16.522234471615214
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the development of social media, social communication has changed. While
this facilitates people's communication and access to information, it also
provides an ideal platform for spreading rumors. In normal or critical
situations, rumors will affect people's judgment and even endanger social
security. However, natural language is high-dimensional and sparse, and the
same rumor may be expressed in hundreds of ways on social media. As such, the
robustness and generalization of the current rumor detection model are put into
question. We proposed a novel \textbf{h}ierarchical \textbf{a}dversarial
\textbf{t}raining method for \textbf{r}umor \textbf{d}etection (HAT4RD) on
social media. Specifically, HAT4RD is based on gradient ascent by adding
adversarial perturbations to the embedding layers of post-level and event-level
modules to deceive the detector. At the same time, the detector uses stochastic
gradient descent to minimize the adversarial risk to learn a more robust model.
In this way, the post-level and event-level sample spaces are enhanced, and we
have verified the robustness of our model under a variety of adversarial
attacks. Moreover, visual experiments indicate that the proposed model drifts
into an area with a flat loss landscape, leading to better generalization. We
evaluate our proposed method on three public rumors datasets from two commonly
used social platforms (Twitter and Weibo). Experiment results demonstrate that
our model achieves better results than state-of-the-art methods.
- Abstract（参考訳）: ソーシャルメディアの発展に伴い、社会コミュニケーションは変化した。
これは人々のコミュニケーションと情報へのアクセスを促進するが、噂を広めるための理想的なプラットフォームを提供する。
通常の状況や批判的な状況では、噂は人々の判断に影響を与え、社会保障を脅かす。
しかし、自然言語は高次元でばらばらであり、同じ噂がソーシャルメディアで何百もの方法で表現される可能性がある。
これにより、現在のうわさ検出モデルの堅牢性と一般化が疑問視される。
ソーシャルメディア上での「textbf{h}ierarchical \textbf{a}dversarial \textbf{t}raining method for \textbf{r}umor \textbf{d}etection (HAT4RD)」を提案する。
具体的には、HAT4RDは、検出器を欺くためにポストレベルおよびイベントレベルモジュールの埋め込み層に逆方向の摂動を加えることで勾配上昇に基づいている。
同時に、検出器は、よりロバストなモデルを学ぶために、逆のリスクを最小限に抑えるために確率的勾配降下を用いる。
このようにして、ポストレベルおよびイベントレベルサンプル空間が拡張され、様々な敵攻撃の下で、我々のモデルの堅牢性を検証した。
さらに, 視覚実験により, 提案モデルが平坦な損失景観の領域に漂流し, 一般化が促進されることが示唆された。
提案手法を2つのソーシャルプラットフォーム(TwitterとWeibo)の3つの公開噂データセット上で評価した。
実験結果から,本モデルは最先端手法よりも優れた結果が得られることが示された。
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) - Segue: Side-information Guided Generative Unlearnable Examples for
Facial Privacy Protection in Real World [64.4289385463226]
生成不可能な例としては、Segue: Side-information guided Generative unlearnable Exampleを提案する。
転送性を向上させるために,真のラベルや擬似ラベルなどの側面情報を導入する。
JPEG圧縮、敵対的トレーニング、およびいくつかの標準的なデータ拡張に抵抗することができる。
論文 参考訳（メタデータ） (2023-10-24T06:22:37Z) - 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) - Enhancing Multiple Reliability Measures via Nuisance-extended
Information Bottleneck [77.37409441129995]
トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。
我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。
そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
論文 参考訳（メタデータ） (2023-03-24T16:03:21Z) - 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) - Zero-Shot Rumor Detection with Propagation Structure via Prompt Learning [24.72097408129496]
従来の研究では、アノテートされたリソースが不足しているため、少数言語で提示される噂は見つからないことが判明した。
本稿では,異なるドメインで発生する噂や,異なる言語で提示される噂を検出するための,素早い学習に基づく新しいフレームワークを提案する。
提案手法は最先端手法よりも優れた性能を実現し,早期に噂を検出する能力に優れる。
論文 参考訳（メタデータ） (2022-12-02T12:04:48Z) - 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) - SRLF: A Stance-aware Reinforcement Learning Framework for Content-based
Rumor Detection on Social Media [15.985224010346593]
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。
論文 参考訳（メタデータ） (2021-05-10T03:58:34Z) - 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。