論文の概要: Combining Vagueness Detection with Deep Learning to Identify Fake News
- arxiv url: http://arxiv.org/abs/2110.14780v1
- Date: Wed, 27 Oct 2021 21:25:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-30 10:06:36.675950
- Title: Combining Vagueness Detection with Deep Learning to Identify Fake News
- Title（参考訳）: 深層学習と迷路検出の併用によるフェイクニュースの識別
- Authors: Paul Gu\'elorget, Benjamin Icard, Guillaume Gadek, Souhir Ghabiche,
Sylvain Gatepaille, Ghislain Atemezing, Paul \'Egr\'e
- Abstract要約: 偽ニュースを識別するための2つの独立した検出手法、VAGOとFAKE-CLFを組み合わせた。
VAGOは意味ルールとNLP技術を組み合わせてテキストの曖昧さと主観性を測定する。
FAKE-CLFは畳み込みニューラルネットワークの分類に依存しており、テキストをバイアスまたは正当と分類するためにディープラーニングを指導している。
VAGOによる曖昧さと主観性尺度とFAKE-CLFによるテキストの分類との間には,正の相関関係が認められた。
- 参考スコア（独自算出の注目度）: 0.18472148461613158
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we combine two independent detection methods for identifying
fake news: the algorithm VAGO uses semantic rules combined with NLP techniques
to measure vagueness and subjectivity in texts, while the classifier FAKE-CLF
relies on Convolutional Neural Network classification and supervised deep
learning to classify texts as biased or legitimate. We compare the results of
the two methods on four corpora. We find a positive correlation between the
vagueness and subjectivity measures obtained by VAGO, and the classification of
text as biased by FAKE-CLF. The comparison yields mutual benefits: VAGO helps
explain the results of FAKE-CLF. Conversely FAKE-CLF helps us corroborate and
expand VAGO's database. The use of two complementary techniques (rule-based vs
data-driven) proves a fruitful approach for the challenging problem of
identifying fake news.
- Abstract（参考訳）: 本稿では,テキスト中の曖昧さと主観性を測定するために,VAGOアルゴリズムとNLP手法を組み合わせたセマンティックルールを併用し,FAKE-CLFは畳み込みニューラルネットワークの分類と教師付きディープラーニングによるテキストの偏りや正当性の分類を行う。
2つの方法の結果を4つのコーパスで比較した。
VAGOによる曖昧さと主観性尺度とFAKE-CLFによるテキストの分類との間には,正の相関関係が認められた。
VAGOはFAKE-CLFの結果を説明するのに役立つ。
逆にFAKE-CLFはVAGOのデータベースの協調と拡張に役立ちます。
2つの補完的手法(ルールベースとデータ駆動)を使用することは、フェイクニュースを特定するという難しい問題に対して、実りあるアプローチである。
関連論文リスト
- Localizing Factual Inconsistencies in Attributable Text Generation [91.981439746404]
本稿では,帰属可能なテキスト生成における事実の不整合をローカライズするための新しい形式であるQASemConsistencyを紹介する。
まず,人間のアノテーションに対するQASemConsistency法の有効性を示す。
そこで我々は,局所的な事実の不整合を自動的に検出するいくつかの手法を実装した。
論文 参考訳（メタデータ） (2024-10-09T22:53:48Z) - Using Similarity to Evaluate Factual Consistency in Summaries [2.7595794227140056]
抽象要約器は流動的な要約を生成するが、生成したテキストの事実性は保証されない。
本稿では,ゼロショット事実性評価尺度であるSBERTScoreを提案する。
実験の結果,SBERTScoreでは,各手法の強度が異なることが示唆された。
論文 参考訳（メタデータ） (2024-09-23T15:02:38Z) - FactGenius: Combining Zero-Shot Prompting and Fuzzy Relation Mining to Improve Fact Verification with Knowledge Graphs [0.0]
FactGeniusは,大規模言語モデルのゼロショットプロンプトと知識グラフ上のファジィテキストマッチングを組み合わせることで,ファクトチェックを強化する新しい手法である。
事実検証のベンチマークデータセットであるFactKG上でのFactGeniusの評価は、既存のベースラインを大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2024-06-03T13:24:37Z) - JointMatch: A Unified Approach for Diverse and Collaborative
Pseudo-Labeling to Semi-Supervised Text Classification [65.268245109828]
半教師付きテキスト分類(SSTC)は、ラベルのないデータを活用する能力によって注目を集めている。
擬似ラベルに基づく既存のアプローチは、擬似ラベルバイアスと誤り蓄積の問題に悩まされる。
我々は、最近の半教師付き学習からアイデアを統一することでこれらの課題に対処する、SSTCの総合的なアプローチであるJointMatchを提案する。
論文 参考訳（メタデータ） (2023-10-23T05:43:35Z) - InfoCSE: Information-aggregated Contrastive Learning of Sentence
Embeddings [61.77760317554826]
本稿では,教師なし文の埋め込みを学習するための情報型コントラスト学習フレームワーク InfoCSE を提案する。
提案したInfoCSEを,セマンティックテキスト類似性(STS)タスクを用いて,いくつかのベンチマークデータセット上で評価する。
実験の結果, InfoCSE は BERT ベースでは2.60%, BERT 大規模では1.77% でSimCSE より優れていた。
論文 参考訳（メタデータ） (2022-10-08T15:53:19Z) - Span Classification with Structured Information for Disfluency Detection
in Spoken Utterances [47.05113261111054]
本稿では,音声音声からテキスト中の不一致を検出する新しいアーキテクチャを提案する。
提案手法は, 広範に使われているイングリッシュスイッチボードを用いて, ディフルエンシ検出の最先端化を実現する。
論文 参考訳（メタデータ） (2022-03-30T03:22:29Z) - Knowing False Negatives: An Adversarial Training Method for Distantly
Supervised Relation Extraction [8.764365529317923]
疑似負関係抽出のための2段階のアプローチを提案する。
まず、ディープニューラルネットワークのメモリ機構を利用して、可能なFNサンプルを見つける。
そして、これらのラベルのないデータとトレーニングデータとを、擬似ラベルを割り当てる対向訓練により、統一された特徴空間に整列する。
論文 参考訳（メタデータ） (2021-09-05T15:11:24Z) - Visualizing Classifier Adjacency Relations: A Case Study in Speaker
Verification and Voice Anti-Spoofing [72.4445825335561]
任意のバイナリ分類器によって生成される検出スコアから2次元表現を導出する簡単な方法を提案する。
ランク相関に基づいて,任意のスコアを用いた分類器の視覚的比較を容易にする。
提案手法は完全に汎用的であり,任意の検出タスクに適用可能だが,自動話者検証と音声アンチスプーフィングシステムによるスコアを用いた手法を実証する。
論文 参考訳（メタデータ） (2021-06-11T13:03:33Z) - BCFNet: A Balanced Collaborative Filtering Network with Attention
Mechanism [106.43103176833371]
協調フィルタリング(CF)ベースの推奨方法が広く研究されている。
BCFNet(Balanced Collaborative Filtering Network)という新しい推薦モデルを提案する。
さらに注意機構は、暗黙のフィードバックの中で隠れた情報をよりよく捉え、ニューラルネットワークの学習能力を強化するように設計されている。
論文 参考訳（メタデータ） (2021-03-10T14:59:23Z)
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。