論文の概要: Is Dynamic Rumor Detection on social media Viable? An Unsupervised Perspective

• arxiv url: http://arxiv.org/abs/2111.11982v1
• Date: Tue, 23 Nov 2021 16:20:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-24 16:07:36.458171
• Title: Is Dynamic Rumor Detection on social media Viable? An Unsupervised Perspective
• Title（参考訳）: ソーシャルメディア上での動的うわさ検出は可能か? 教師なしの視点
• Authors: Chahat Raj, Priyanka Meel
• Abstract要約: 人々は簡単に情報を得るためにソーシャルメディアを頼りにしているが、偽情報に陥る。 既存の研究は、機械学習とディープラーニングアルゴリズムを開発することで、ネットの噂と戦うためのいくつかのメカニズムを定式化した。 本研究は、オンライン投稿の内容や社会的特徴に依存した、教師なしのうわさ検出のための新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.42658286826597
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the growing popularity and ease of access to the internet, the problem of online rumors is escalating. People are relying on social media to gain information readily but fall prey to false information. There is a lack of credibility assessment techniques for online posts to identify rumors as soon as they arrive. Existing studies have formulated several mechanisms to combat online rumors by developing machine learning and deep learning algorithms. The literature so far provides supervised frameworks for rumor classification that rely on huge training datasets. However, in the online scenario where supervised learning is exigent, dynamic rumor identification becomes difficult. Early detection of online rumors is a challenging task, and studies relating to them are relatively few. It is the need of the hour to identify rumors as soon as they appear online. This work proposes a novel framework for unsupervised rumor detection that relies on an online post's content and social features using state-of-the-art clustering techniques. The proposed architecture outperforms several existing baselines and performs better than several supervised techniques. The proposed method, being lightweight, simple, and robust, offers the suitability of being adopted as a tool for online rumor identification.
• Abstract（参考訳）: インターネットの普及とアクセスの容易化により、オンライン噂の問題はエスカレートしている。 人々は簡単に情報を得るためにソーシャルメディアに頼っているが、偽情報に陥る。 オンライン投稿が到着した直後に噂を識別するための信頼性評価技術が欠如している。 既存の研究は、機械学習とディープラーニングアルゴリズムを開発することで、ネットの噂と戦うためのいくつかのメカニズムを定式化した。 これまでの文献では、巨大なトレーニングデータセットに依存する噂の分類のための監視フレームワークを提供している。 しかし,教師付き学習がエキサイティングなオンラインシナリオでは,動的なうわさの識別が困難になる。 オンライン噂の早期発見は難しい課題であり、それらに関連する研究は比較的少ない。 ネットに現れるとすぐに噂を識別する時間が必要だ。 本研究は,最先端クラスタリング技術を用いたオンライン投稿の内容とソーシャル機能に依存する,教師なしうわさ検出のための新しい枠組みを提案する。 提案したアーキテクチャは,既存のベースラインよりも優れ,教師付き技術よりも優れている。 提案手法は軽量で,シンプルで,堅牢であり,オンラインの噂識別ツールとして採用される可能性が示唆された。

関連論文リスト

• Research Status of Deep Learning Methods for Rumor Detection [2.8837214828894435]
  本稿では, 特徴選択, モデル構造, 研究手法の3つの視点から, 噂検出の研究状況を分析する。 本研究は,30の作品を,伝播木,敵対学習,クロスドメイン手法,マルチタスク学習,教師なし・半教師付き手法,ベースナレッジグラフなど7つの噂検出手法にまとめる。
  論文  参考訳（メタデータ） (2022-04-25T10:21:23Z)
• 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)
• Detect Rumors in Microblog Posts for Low-Resource Domains via Adversarial Contrastive Learning [8.013665071332388]
  本稿では,噂データから得られた特徴を低リソースデータに適応させることにより,噂を検出するための逆相反学習フレームワークを提案する。 本フレームワークは最先端の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） (2022-04-18T03:10:34Z)
• Recursive Least-Squares Estimator-Aided Online Learning for Visual Tracking [58.14267480293575]
  オフライン学習を必要とせず、簡単な効果的なオンライン学習手法を提案する。 これは、モデルが以前見たオブジェクトに関する知識を記憶するための、内蔵されたメモリ保持メカニズムを可能にする。 我々は、RT-MDNetにおける多層パーセプトロンと、DiMPにおける畳み込みニューラルネットワークの追跡のためのオンライン学習ファミリーにおける2つのネットワークに基づくアプローチを評価する。
  論文  参考訳（メタデータ） (2021-12-28T06:51:18Z)
• Calling to CNN-LSTM for Rumor Detection: A Deep Multi-channel Model for Message Veracity Classification in Microblogs [0.0]
  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。
  論文  参考訳（メタデータ） (2021-10-11T07:42:41Z)
• 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)
• Detecting Cross-Modal Inconsistency to Defend Against Neural Fake News [57.9843300852526]
  我々は、画像やキャプションを含む機械生成ニュースに対して、より現実的で挑戦的な対策を導入する。 敵が悪用できる可能性のある弱点を特定するために、4つの異なる種類の生成された記事からなるNeuralNewsデータセットを作成します。 ユーザ実験から得られた貴重な知見に加えて,視覚的意味的不整合の検出にもとづく比較的効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2020-09-16T14:13:15Z)
• Online Multi-modal Person Search in Videos [74.75432003006432]
  本研究では,映像中の人物をリアルタイムで認識するオンライン人物検索フレームワークを提案する。 大規模な映画データセットを用いた実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-08T15:48:32Z)
• 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)
• 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)
• On Early-stage Debunking Rumors on Twitter: Leveraging the Wisdom of Weak Learners [4.325479143880198]
  本稿では、畳み込みニューラルネットワークを用いて、個々の噂関連ツイートの隠れ表現を学習する早期噂検出手法を提案する。 われわれの実験は、噂の最初の数時間で、明確な分類性能が向上したことを示している。
  論文  参考訳（メタデータ） (2017-09-13T16:15:59Z)

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。