Fugu-MT 論文翻訳(概要): Unified Fake News Detection using Transfer Learning of Bidirectional Encoder Representation from Transformers model

論文の概要: Unified Fake News Detection using Transfer Learning of Bidirectional Encoder Representation from Transformers model

arxiv url: http://arxiv.org/abs/2202.01907v1
Date: Thu, 3 Feb 2022 23:23:26 GMT
ステータス: 処理完了
システム内更新日: 2022-02-07 15:01:32.901855
Title: Unified Fake News Detection using Transfer Learning of Bidirectional Encoder Representation from Transformers model
Title（参考訳）: トランスフォーマーモデルからの双方向エンコーダ表現の転送学習を用いた統一的偽ニュース検出
Authors: Vijay Srinivas Tida, Dr. Sonya Hsu and Dr. Xiali Hei
Abstract要約: 本稿では、公開データセットを組み合わせて、フェイクニュースサンプルを効果的に検出し、統一モデルの構築を試みる。以前のモデルのほとんどは個別のデータセットで個別に設計され、検証された。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Automatic detection of fake news is needed for the public as the accessibility of social media platforms has been increasing rapidly. Most of the prior models were designed and validated on individual datasets separately. But the lack of generalization in models might lead to poor performance when deployed in real-world applications since the individual datasets only cover limited subjects and sequence length over the samples. This paper attempts to develop a unified model by combining publicly available datasets to detect fake news samples effectively.
Abstract（参考訳）: ソーシャルメディアプラットフォームのアクセシビリティが急速に向上しているため、公衆には偽ニュースの自動検出が必要である。以前のモデルのほとんどは個別のデータセットで個別に設計され、検証された。しかし、モデルにおける一般化の欠如は、個々のデータセットがサンプルよりも限られた対象とシーケンスの長さしかカバーしていないため、現実世界のアプリケーションにデプロイする際のパフォーマンスが低下する可能性がある。本稿では、公開データセットを組み合わせて、フェイクニュースサンプルを効果的に検出し、統一モデルの構築を試みる。

関連論文リスト

Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
論文参考訳（メタデータ） (2024-11-24T04:56:45Z)
Federated Face Forgery Detection Learning with Personalized Representation [63.90408023506508]
ディープジェネレータ技術は、区別がつかない高品質のフェイクビデオを制作し、深刻な社会的脅威をもたらす可能性がある。従来の偽造検出手法は、データを直接集中的に訓練する。本稿では,個人化表現を用いた新しいフェデレーション顔偽造検出学習を提案する。
論文参考訳（メタデータ） (2024-06-17T02:20:30Z)
PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文参考訳（メタデータ） (2024-06-04T13:51:08Z)
Few-shot Online Anomaly Detection and Segmentation [29.693357653538474]
本稿では,難易度の高いオンライン異常検出・セグメンテーション(FOADS)の課題に対処することに焦点を当てる。 FOADSフレームワークでは、モデルを数ショットの通常のデータセットでトレーニングし、その後、正常サンプルと異常サンプルの両方を含む未ラベルのストリーミングデータを活用することで、その能力の検査と改善を行う。限られたトレーニングサンプルを用いた性能向上のために,ImageNetで事前学習したCNNから抽出したマルチスケール特徴埋め込みを用いて,ロバストな表現を得る。
論文参考訳（メタデータ） (2024-03-27T02:24:00Z)
Dirichlet-based Uncertainty Quantification for Personalized Federated Learning with Improved Posterior Networks [9.54563359677778]
本稿では,グローバルおよびパーソナライズされたモデルの中からモデルを選択可能なフェデレーション学習への新たなアプローチを提案する。これは、局所的およびグローバルな分布内および分布外データを検出するのに役立つ予測不確実性の慎重なモデリングによって達成される。一般的な実世界の画像データセットに対する総合的な実験的評価は、アウト・オブ・ディストリビューション・データの存在下でのモデルの優れた性能を示している。
論文参考訳（メタデータ） (2023-12-18T14:30:05Z)
Image change detection with only a few samples [7.5780621370948635]
画像変化検出タスクの最大の障害は、さまざまな場面をカバーする大きな注釈付きデータセットの欠如である。本稿では,合成データを生成するための単純な画像処理手法を提案する。次に、対象検出に基づく初期の融合ネットワークを設計し、シアムニューラルネットを上回ります。
論文参考訳（メタデータ） (2023-11-07T07:01:35Z)
Learning Defect Prediction from Unrealistic Data [57.53586547895278]
事前訓練されたコードのモデルは、コード理解と生成タスクに人気がある。このようなモデルは大きい傾向があり、訓練データの総量を必要とする。人工的に注入されたバグのある関数など、はるかに大きくてもより現実的なデータセットを持つモデルをトレーニングすることが一般的になった。このようなデータで訓練されたモデルは、実際のプログラムでは性能が劣りながら、同様のデータでのみうまく機能する傾向にある。
論文参考訳（メタデータ） (2023-11-02T01:51:43Z)
Improving Generalization for Multimodal Fake News Detection [8.595270610973586]
最先端のアプローチは通常、小さなサイズのデータセットや特定のトピックの限定セットでトレーニングされる。本稿では,マルチモーダルフェイクニュース検出のために,最先端のマルチモーダルトランスを採用した3つのモデルを提案する。
論文参考訳（メタデータ） (2023-05-29T20:32:22Z)
Debiasing Vision-Language Models via Biased Prompts [79.04467131711775]
本稿では,テキスト埋め込みにおけるバイアスのある方向を投影することで,視覚言語基盤モデルを疎外する一般的な手法を提案する。偏平投影行列を組み込んだテキストのみをデバイアスすることで、ロバストな分類器と公正な生成モデルが得られることを示す。
論文参考訳（メタデータ） (2023-01-31T20:09:33Z)
MiDAS: Multi-integrated Domain Adaptive Supervision for Fake News Detection [3.210653757360955]
偽ニュース検出のためのマルチドメイン適応手法であるMiDASを提案する。 MiDASは既存のモデルと新しいサンプルの関連性をランク付けしている。 9つの偽ニュースデータセットを用いたドリフトデータへの一般化に関するMIDASの評価を行った。
論文参考訳（メタデータ） (2022-05-19T19:36:08Z)
Hidden Biases in Unreliable News Detection Datasets [60.71991809782698]
データ収集中の選択バイアスがデータセットの望ましくないアーティファクトにつながることを示す。クリーンスプリットでテストされたすべてのモデルに対して,列車/テストソースの重なりが無く,精度が大幅に低下した(>10%)。将来的なデータセット生成には、困難/バイアスプローブとしての単純なモデルと、クリーンな非重複サイトと日付分割を使用する将来のモデル開発が含まれることを提案する。
論文参考訳（メタデータ） (2021-04-20T17:16:41Z)

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。