論文の概要: Domain Adaptive Fake News Detection via Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2202.08159v1
• Date: Wed, 16 Feb 2022 16:05:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-17 17:13:49.044239
• Title: Domain Adaptive Fake News Detection via Reinforcement Learning
• Title（参考訳）: 強化学習によるドメイン適応型偽ニュース検出
• Authors: Ahmadreza Mosallanezhad, Mansooreh Karami, Kai Shu, Michelle V. Mancenido, Huan Liu
• Abstract要約: 本稿では、偽ニュースを検出するためのREAL-FNDと呼ばれる新しい強化学習モデルを提案する。 実世界のデータセットの実験では、提案モデルの有効性が示されている。
• 参考スコア（独自算出の注目度）: 34.95213747705498
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With social media being a major force in information consumption, accelerated propagation of fake news has presented new challenges for platforms to distinguish between legitimate and fake news. Effective fake news detection is a non-trivial task due to the diverse nature of news domains and expensive annotation costs. In this work, we address the limitations of existing automated fake news detection models by incorporating auxiliary information (e.g., user comments and user-news interactions) into a novel reinforcement learning-based model called \textbf{RE}inforced \textbf{A}daptive \textbf{L}earning \textbf{F}ake \textbf{N}ews \textbf{D}etection (REAL-FND). REAL-FND exploits cross-domain and within-domain knowledge that makes it robust in a target domain, despite being trained in a different source domain. Extensive experiments on real-world datasets illustrate the effectiveness of the proposed model, especially when limited labeled data is available in the target domain.
• Abstract（参考訳）: ソーシャルメディアが情報消費の大きな力となり、フェイクニュースの拡散が加速し、プラットフォームが合法ニュースとフェイクニュースを区別する新たな課題が提示された。 効果的な偽ニュース検出は、ニュースドメインの多様さと高価なアノテーションコストのため、非自明な作業である。 本研究では,補助情報(ユーザコメントやユーザ-ニューズインタラクションなど)を,新たな強化学習ベースモデルである \textbf{re}inforced \textbf{a}daptive \textbf{l}earning \textbf{f}ake \textbf{n}ews \textbf{d}etection (real-fnd) に組み込むことで,既存の偽ニュース検出モデルの制限に対処する。 REAL-FNDは、異なるソースドメインでトレーニングされているにもかかわらず、ターゲットドメインで堅牢になるクロスドメインとイントラドメインの知識を活用する。 実世界のデータセットに対する大規模な実験は、特に限定ラベル付きデータが対象領域で利用可能である場合、提案モデルの有効性を示す。

関連論文リスト

• Less is More: Unseen Domain Fake News Detection via Causal Propagation Substructures [13.80520305397377]
  本稿では,Causal Subgraph-oriented Domain Adaptive Fake News Detectionモデルを提案する。 伝播グラフから因果部分構造を抽出することにより、ゼロショットフェイクニュースの検出を強化するように設計されている。 他の最先端モデルに比べて7～16パーセントの精度向上を実現している。
  論文  参考訳（メタデータ） (2024-11-14T12:05:35Z)
• Robust Domain Misinformation Detection via Multi-modal Feature Alignment [49.89164555394584]
  マルチモーダルな誤情報検出のための頑健なドメインとクロスモーダルなアプローチを提案する。 テキストと視覚の共役分布を整列させることにより、ドメインシフトを低減する。 また,ドメイン一般化のアプリケーションシナリオを同時に検討するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-24T07:06:16Z)
• 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)
• Unsupervised Domain-agnostic Fake News Detection using Multi-modal Weak Signals [19.22829945777267]
  本研究は,4つのモダリティで利用可能な知識をニュースレコードに埋め込んだ,教師なしフェイクニュース検出のための効果的なフレームワークを提案する。 また,既存のニュースデータセットの潜伏バイアスを最小限に抑えたニュースデータセット構築手法を提案する。 LUND-COVIDを使って提案した教師なしフレームワークをトレーニングし、大規模データセットの可能性を活用した。
  論文  参考訳（メタデータ） (2023-05-18T23:49:31Z)
• Instance Relation Graph Guided Source-Free Domain Adaptive Object Detection [79.89082006155135]
  教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ドメインシフトの問題に取り組むための効果的なアプローチである。 UDAメソッドは、ターゲットドメインの一般化を改善するために、ソースとターゲット表現を整列させようとする。 Source-Free Adaptation Domain (SFDA)設定は、ソースデータへのアクセスを必要とせずに、ターゲットドメインに対してソーストレーニングされたモデルを適用することで、これらの懸念を軽減することを目的としている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:43Z)
• Faking Fake News for Real Fake News Detection: Propaganda-loaded Training Data Generation [105.20743048379387]
  提案手法は,人間によるプロパガンダのスタイルや戦略から情報を得た学習例を生成するための新しいフレームワークである。 具体的には、生成した記事の有効性を確保するために、自然言語推論によって導かれる自己臨界シーケンストレーニングを行う。 実験の結果、PropaNewsでトレーニングされた偽ニュース検知器は、2つの公開データセットで3.62～7.69%のF1スコアで人書きの偽情報を検出するのに優れていることがわかった。
  論文  参考訳（メタデータ） (2022-03-10T14:24:19Z)
• Embracing Domain Differences in Fake News: Cross-domain Fake News Detection using Multi-modal Data [18.66426327152407]
  異なるドメインの偽ニュースを検出するために、ニュースレコードにドメイン固有の知識とクロスドメインの知識を共同で保存する新しいフレームワークを提案する。 提案する偽ニュースモデルと選択的アノテーションアプローチの統合が,クロスドメインニュースデータセットの最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-02-11T23:31:14Z)
• Adversarial Active Learning based Heterogeneous Graph Neural Network for Fake News Detection [18.847254074201953]
  新規な偽ニュース検出フレームワークであるAdversarial Active Learning-based Heterogeneous Graph Neural Network(AA-HGNN)を提案する。 AA-HGNNは、特にラベル付きデータのあいまいさに直面している場合、学習性能を高めるためにアクティブな学習フレームワークを利用する。 2つの実世界のフェイクニュースデータセットによる実験により、我々のモデルはテキストベースのモデルや他のグラフベースのモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2021-01-27T05:05:25Z)
• Source Data-absent Unsupervised Domain Adaptation through Hypothesis Transfer and Labeling Transfer [137.36099660616975]
  Unsupervised Adapt Adaptation (UDA) は、関連性のある異なるラベル付きソースドメインから新しいラベルなしターゲットドメインへの知識の転送を目標としている。 既存のudaメソッドの多くはソースデータへのアクセスを必要としており、プライバシ上の懸念からデータが機密で共有できない場合は適用できない。 本稿では、ソースデータにアクセスする代わりに、トレーニング済みの分類モデルのみを用いて現実的な設定に取り組むことを目的とする。
  論文  参考訳（メタデータ） (2020-12-14T07:28:50Z)
• A Deep Learning Approach for Automatic Detection of Fake News [47.00462375817434]
  複数のドメインのオンラインニュースコンテンツにおいて、偽ニュース検出問題を解決するためのディープラーニングに基づく2つのモデルを提案する。 我々は、最近リリースされたFakeNews AMTとCelebrityという2つのデータセットを用いて、フェイクニュース検出のための手法を評価した。
  論文  参考訳（メタデータ） (2020-05-11T09:07:46Z)

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。