論文の概要: Calling to CNN-LSTM for Rumor Detection: A Deep Multi-channel Model for
Message Veracity Classification in Microblogs
- arxiv url: http://arxiv.org/abs/2110.15727v1
- Date: Mon, 11 Oct 2021 07:42:41 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-07 11:39:31.717436
- Title: Calling to CNN-LSTM for Rumor Detection: A Deep Multi-channel Model for
Message Veracity Classification in Microblogs
- Title（参考訳）: 噂検出のためのCNN-LSTMへのコール:マイクロブログにおけるメッセージの精度分類のための深層多チャンネルモデル
- Authors: Abderrazek Azri (ERIC), C\'ecile Favre (ERIC), Nouria Harbi (ERIC),
J\'er\^ome Darmont (ERIC), Camille No\^us
- Abstract要約: 噂は特に個人や社会に深刻なダメージを与える可能性がある。
ほとんどの噂検出アプローチは、噂の特徴分析と社会的特徴に焦点を当てている。
DeepMONITORはディープニューラルネットワークをベースにしており、かなり正確な自動噂検証を可能にする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reputed by their low-cost, easy-access, real-time and valuable information,
social media also wildly spread unverified or fake news. Rumors can notably
cause severe damage on individuals and the society. Therefore, rumor detection
on social media has recently attracted tremendous attention. Most rumor
detection approaches focus on rumor feature analysis and social features, i.e.,
metadata in social media. Unfortunately, these features are data-specific and
may not always be available, e.g., when the rumor has just popped up and not
yet propagated. In contrast, post contents (including images or videos) play an
important role and can indicate the diffusion purpose of a rumor. Furthermore,
rumor classification is also closely related to opinion mining and sentiment
analysis. Yet, to the best of our knowledge, exploiting images and sentiments
is little investigated.Considering the available multimodal features from
microblogs, notably, we propose in this paper an end-to-end model called
deepMONITOR that is based on deep neural networks and allows quite accurate
automated rumor verification, by utilizing all three characteristics: post
textual and image contents, as well as sentiment. deepMONITOR concatenates
image features with the joint text and sentiment features to produce a
reliable, fused classification. We conduct extensive experiments on two
large-scale, real-world datasets. The results show that deepMONITOR achieves a
higher accuracy than state-of-the-art methods.
- Abstract（参考訳）: 低コストで、アクセスが容易で、リアルタイムで、価値ある情報によって、ソーシャルメディアは未検証または偽のニュースを大々的に広めた。
噂は個人や社会に大きな損害を与える可能性がある。
そのため、近年ソーシャルメディア上でのうわさ検出が注目されている。
殆どの噂検出アプローチは、噂の特徴分析と社会的特徴、すなわちソーシャルメディアのメタデータに焦点を当てている。
残念ながら、これらの機能はデータ固有のものであり、例えば、噂が飛び上がってまだ普及していないときなど、常に利用できるとは限らない。
対照的に、ポストコンテンツ(画像やビデオを含む)は重要な役割を担い、噂の拡散目的を示すことができる。
さらに、噂の分類は意見マイニングや感情分析とも密接に関連している。
しかし、私たちの知る限りでは、画像と感情の活用はほとんど研究されていない。特にマイクロブログから利用可能なマルチモーダル機能を考えると、深層ニューラルネットワークをベースとした非常に正確な自動噂検証が可能なDeepMONITORと呼ばれるエンドツーエンドモデルを提案する。
DeepMONITORは、画像特徴とジョイントテキストと感情特徴を結合して、信頼性のある融合した分類を生成する。
2つの大規模な実世界のデータセットについて広範な実験を行う。
その結果,DeepMONITORは最先端手法よりも精度が高いことがわかった。
関連論文リスト
- VGA: Vision and Graph Fused Attention Network for Rumor Detection [4.9312905996391665]
本稿では,ポスト間の伝搬構造を利用するために,新しいVGA(Vision and Graph Fused Attention Network)を提案する。
3つのデータセットに対して広範な実験を行い、VGAがマルチモーダルな噂を効果的に検出し、最先端の手法を著しく上回ることを示す。
論文 参考訳（メタデータ） (2024-01-03T14:24:02Z) - Inconsistent Matters: A Knowledge-guided Dual-consistency Network for
Multi-modal Rumor Detection [53.48346699224921]
マルチメディアコンテンツによる噂を検出するために,知識誘導型二元整合ネットワークを提案する。
2つの一貫性検出ツールを使用して、クロスモーダルレベルとコンテント知識レベルの不整合を同時にキャプチャする。
また、異なる視覚的モダリティ条件下で頑健なマルチモーダル表現学習を可能にする。
論文 参考訳（メタデータ） (2023-06-03T15:32:20Z) - 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) - Nothing Stands Alone: Relational Fake News Detection with Hypergraph
Neural Networks [49.29141811578359]
本稿では,ニュース間のグループ間相互作用を表現するためにハイパーグラフを活用することを提案する。
提案手法は,ラベル付きニュースデータの小さなサブセットであっても,優れた性能を示し,高い性能を維持する。
論文 参考訳（メタデータ） (2022-12-24T00:19:32Z) - 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) - What goes on inside rumour and non-rumour tweets and their reactions: A
Psycholinguistic Analyses [58.75684238003408]
ソーシャルメディアのテキストの心理言語学的分析は、誤情報を緩和するために意味のある結論を導くのに不可欠である。
本研究は,様々な事象に関する噂の深い心理言語学的分析を行うことによって貢献する。
論文 参考訳（メタデータ） (2021-11-09T07:45:11Z) - MONITOR: A Multimodal Fusion Framework to Assess Message Veracity in
Social Networks [0.0]
ソーシャルネットワークのユーザーは、コンテンツをほとんど抑制せずに投稿し共有する傾向がある。
噂や偽ニュースは急速に広まる可能性がある。
これはソーシャルメディアの信頼性を脅かし、現実の生活に深刻な結果をもたらす可能性がある。
論文 参考訳（メタデータ） (2021-09-06T07:41:21Z) - Identifying Possible Rumor Spreaders on Twitter: A Weak Supervised
Learning Approach [0.0]
噂は1つの誤報だ(他のタイプは偽ニュース、偽ニュースなど)。
噂の拡散を抑える一つの方法は、噂の拡散に頻繁に関与するユーザーを特定することだ。
我々は,教師あり学習手法を適用する前に,ユーザ,テキスト,エゴネットワークの3種類の機能を利用する。
論文 参考訳（メタデータ） (2020-10-15T10:31:28Z) - Fine-Tune Longformer for Jointly Predicting Rumor Stance and Veracity [27.661609140918916]
本稿では,噂の姿勢と妥当性を共同で予測するマルチタスク学習フレームワークを提案する。
フレームワークは2つの部分から構成される:a) フレームワークの下部は、会話スレッド内の各投稿に対するスタンスを分類し、マルチターン会話をモデル化し、隣の投稿を各投稿に認識させることにより、噂を議論する。
SemEval 2019 Task 7 データセットの実験結果から,提案手法は噂の定式化と妥当性予測の両方において,従来の手法よりも優れていたことがわかった。
論文 参考訳（メタデータ） (2020-07-15T17:09:17Z) - Heterogeneous Graph Attention Networks for Early Detection of Rumors on
Twitter [9.358510255345676]
ソーシャルメディアに関する偽の噂は、大衆のパニックを招き、個人的評判を損なう可能性がある。
我々は、テキストの内容と噂の発信元であるツイートの伝搬に基づいて、ツイートワードを利用する異種グラフを構築した。
論文 参考訳（メタデータ） (2020-06-10T14:49:08Z) - Rumor Detection on Social Media with Bi-Directional Graph Convolutional
Networks [89.13567439679709]
本稿では,二方向グラフ畳み込みネットワーク (Bi-Directional Graph Convolutional Networks, Bi-GCN) と呼ばれる新しい双方向グラフモデルを提案する。
これは、噂拡散のパターンを学習するために、噂拡散のトップダウン指向グラフを持つGCNと、噂拡散の反対指向グラフを持つGCNを活用して、噂拡散の構造を捉える。
論文 参考訳（メタデータ） (2020-01-17T15:12:08Z)
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。