論文の概要: SOMPS-Net : Attention based social graph framework for early detection
of fake health news
- arxiv url: http://arxiv.org/abs/2111.11272v1
- Date: Mon, 22 Nov 2021 15:21:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-23 20:58:36.840370
- Title: SOMPS-Net : Attention based social graph framework for early detection
of fake health news
- Title（参考訳）: SOMPS-Net : フェイクヘルスニュースの早期発見のための注意に基づくソーシャルグラフフレームワーク
- Authors: Prasannakumaran D, Harish Srinivasan, Sowmiya Sree S, Sri Gayathri
Devi I, Saikrishnan S, Vineeth Vijayaraghavan
- Abstract要約: 筆者らは,マルチヘッドアテンションとパブリッシャ情報とニュース統計ネットワーク(SOMPS-Net)を備えた新しいグラフベースのフレームワークSOcial graphを提案する。
提案されたモデルはHealthStoryデータセット上で実験され、がん、アルツハイマー病、産婦人科、栄養などの様々な医療トピックを一般化する。
早期発見実験により、SOMPS-Netは放送からわずか8時間以内に79%の確証のある偽ニュースを予測した。
- 参考スコア（独自算出の注目度）: 0.06524460254566904
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fake news is fabricated information that is presented as genuine, with
intention to deceive the reader. Recently, the magnitude of people relying on
social media for news consumption has increased significantly. Owing to this
rapid increase, the adverse effects of misinformation affect a wider audience.
On account of the increased vulnerability of people to such deceptive fake
news, a reliable technique to detect misinformation at its early stages is
imperative. Hence, the authors propose a novel graph-based framework SOcial
graph with Multi-head attention and Publisher information and news Statistics
Network (SOMPS-Net) comprising of two components - Social Interaction Graph
(SIG) and Publisher and News Statistics (PNS). The posited model is
experimented on the HealthStory dataset and generalizes across diverse medical
topics including Cancer, Alzheimer's, Obstetrics, and Nutrition. SOMPS-Net
significantly outperformed other state-of-the-art graph-based models
experimented on HealthStory by 17.1%. Further, experiments on early detection
demonstrated that SOMPS-Net predicted fake news articles with 79% certainty
within just 8 hours of its broadcast. Thus the contributions of this work lay
down the foundation for capturing fake health news across multiple medical
topics at its early stages.
- Abstract（参考訳）: フェイクニュースは、読者を欺く意図を持って、本物として提示される偽造情報である。
近年,ソーシャルメディアを利用してニュースを消費する人が増えている。
この急激な増加により、誤情報による悪影響は広い聴衆に影響を及ぼす。
このような偽ニュースに対する人々の脆弱性の増加を踏まえると、その初期段階で誤情報を検出する信頼性の高い手法が不可欠である。
そこで筆者らは,ソーシャルインタラクショングラフ (SIG) とパブリッシャとニュース統計学 (PNS) の2つのコンポーネントからなる,マルチヘッドアテンションとパブリッシャ情報とニュース統計ネットワーク (SOMPS-Net) を備えた新しいグラフベースのフレームワークSOcial graphを提案する。
実証モデルはhealthstoryデータセットで実験され、がん、アルツハイマー病、産婦人科、栄養など様々な医学的トピックを一般化する。
SOMPS-NetはHealthStoryで実験された他の最先端グラフベースのモデルよりも17.1%優れていた。
さらに、早期検出実験により、SOMPS-Netは放送からわずか8時間以内に79%の確証のある偽ニュースを予測した。
このように、この研究の貢献は、初期の段階で複数の医療トピックにわたる偽の健康ニュースを捉えた基礎を築いた。
関連論文リスト
- 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) - 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) - SOK: Fake News Outbreak 2021: Can We Stop the Viral Spread? [5.64512235559998]
ソーシャルネットワークの完全解釈と使いやすさは、今日の世界での情報の生成と配布に革命をもたらした。
従来のメディアチャンネルとは異なり、ソーシャルネットワークは偽情報や偽情報の拡散を迅速かつ広範囲に促進する。
虚偽情報の拡散は、大衆の行動、態度、信念に深刻な影響を及ぼす。
論文 参考訳（メタデータ） (2021-05-22T09:26:13Z) - Stance Detection with BERT Embeddings for Credibility Analysis of
Information on Social Media [1.7616042687330642]
本稿では,記事の内容とともに,その特徴の1つとして姿勢を用いた偽ニュースを検出するモデルを提案する。
本研究は,自動的特徴抽出とテキストの関連性でコンテンツを解釈する。
実世界のデータセットで行った実験は、我々のモデルが以前の研究より優れており、95.32%の精度で偽ニュースの検出を可能にすることを示している。
論文 参考訳（メタデータ） (2021-05-21T10:46:43Z) - User Preference-aware Fake News Detection [61.86175081368782]
既存の偽ニュース検出アルゴリズムは、詐欺信号のニュースコンテンツをマイニングすることに焦点を当てている。
本稿では,共同コンテンツとグラフモデリングにより,ユーザの好みから様々な信号を同時にキャプチャする新しいフレームワークUPFDを提案する。
論文 参考訳（メタデータ） (2021-04-25T21:19:24Z) - Misinfo Belief Frames: A Case Study on Covid & Climate News [49.979419711713795]
読者がニュースの信頼性や誤った情報の影響をどのように認識するかを理解するための形式主義を提案する。
23.5kの見出しに66kの推論データセットであるMisinfo Belief Frames (MBF) corpusを紹介する。
大規模言語モデルを用いて誤情報フレームを予測した結果,機械生成推論がニュース見出しに対する読者の信頼に影響を及ぼすことがわかった。
論文 参考訳（メタデータ） (2021-04-18T09:50:11Z) - ECOL: Early Detection of COVID Lies Using Content, Prior Knowledge and
Source Information [1.6752182911522522]
ソーシャルメディアプラットフォームは偽ニュースの拡散に弱い。
本稿では,フェイクニュースの早期発見のためのモデルに,コンテンツ情報,事前知識,情報源の信頼性を取り入れた影響を解析する。
論文 参考訳（メタデータ） (2021-01-14T08:39:50Z) - Causal Understanding of Fake News Dissemination on Social Media [50.4854427067898]
我々は、ユーザーがフェイクニュースを共有するのに、ユーザー属性が何をもたらすかを理解することが重要だと論じている。
偽ニュース拡散において、共同創設者は、本質的にユーザー属性やオンライン活動に関連する偽ニュース共有行動によって特徴づけられる。
本稿では,偽ニュース拡散における選択バイアスを軽減するための原則的アプローチを提案する。
論文 参考訳（メタデータ） (2020-10-20T19:37:04Z) - 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) - Ginger Cannot Cure Cancer: Battling Fake Health News with a
Comprehensive Data Repository [40.76937321931461]
インターネット上で拡散している偽の健康ニュースは、公衆衛生にとって深刻な脅威となっている。
我々は、豊富な特徴を持つニュースコンテンツ、詳細な説明を含むニュースレビュー、ソーシャルエンゲージメント、ユーザー・ユーザー・ソーシャルネットワークを含む包括的リポジトリ、FakeHealthを構築した。
論文 参考訳（メタデータ） (2020-01-27T17:27:58Z)
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。