論文の概要: A comparative analysis of Graph Neural Networks and commonly used
machine learning algorithms on fake news detection
- arxiv url: http://arxiv.org/abs/2203.14132v1
- Date: Sat, 26 Mar 2022 18:40:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-29 13:46:10.036290
- Title: A comparative analysis of Graph Neural Networks and commonly used
machine learning algorithms on fake news detection
- Title（参考訳）: 偽ニュース検出におけるグラフニューラルネットワークと一般的な機械学習アルゴリズムの比較分析
- Authors: Fahim Belal Mahmud, Mahi Md. Sadek Rayhan, Mahdi Hasan Shuvo, Islam
Sadia, Md.Kishor Morol
- Abstract要約: 低コスト、ソーシャルプラットフォーム経由のシンプルなアクセシビリティ、低予算のオンラインニュースソースが、偽ニュースの普及に寄与する要因の1つだ。
既存の偽ニュース検出アルゴリズムのほとんどは、ニュースコンテンツのみに焦点を当てている。
エンゲージメントのあるユーザーによる事前投稿やソーシャル活動は、ニュースに対する見解に関する豊富な情報を提供し、フェイクニュースの識別を改善する重要な能力を持っている。
- 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: Fake news on social media is increasingly regarded as one of the most
concerning issues. Low cost, simple accessibility via social platforms, and a
plethora of low-budget online news sources are some of the factors that
contribute to the spread of false news. Most of the existing fake news
detection algorithms are solely focused on the news content only but engaged
users prior posts or social activities provide a wealth of information about
their views on news and have significant ability to improve fake news
identification. Graph Neural Networks are a form of deep learning approach that
conducts prediction on graph-described data. Social media platforms are
followed graph structure in their representation, Graph Neural Network are
special types of neural networks that could be usually applied to graphs,
making it much easier to execute edge, node, and graph-level prediction.
Therefore, in this paper, we present a comparative analysis among some commonly
used machine learning algorithms and Graph Neural Networks for detecting the
spread of false news on social media platforms. In this study, we take the UPFD
dataset and implement several existing machine learning algorithms on text data
only. Besides this, we create different GNN layers for fusing graph-structured
news propagation data and the text data as the node feature in our GNN models.
GNNs provide the best solutions to the dilemma of identifying false news in our
research.
- Abstract（参考訳）: ソーシャルメディア上での偽ニュースは、ますます問題視されている。
低コスト、ソーシャルプラットフォーム経由のシンプルなアクセシビリティ、そして多くの低予算オンラインニュースソースは、偽ニュースの普及に寄与する要因の1つだ。
既存のフェイクニュース検出アルゴリズムのほとんどは、ニュースコンテンツのみに焦点を絞っているが、事前投稿やソーシャルアクティビティは、ニュースに対する見解に関する豊富な情報を提供し、フェイクニュース識別を改善する重要な能力を持っている。
グラフニューラルネットワークは、グラフ記述データで予測を行うディープラーニングアプローチの一形態である。
ソーシャルメディアプラットフォームはグラフ構造に従って表現され、グラフニューラルネットワークはグラフに適用可能な特殊なタイプのニューラルネットワークであり、エッジ、ノード、グラフレベルの予測の実行がずっと容易になる。
そこで本稿では,ソーシャルメディアプラットフォーム上での偽ニュースの拡散を検出するために,一般的な機械学習アルゴリズムとグラフニューラルネットワークの比較分析を行った。
本研究では,UPFDデータセットを用いてテキストデータのみに既存の機械学習アルゴリズムを実装した。
さらに、GNNモデルのノード機能として、グラフ構造化ニュース伝搬データとテキストデータを融合するための異なるGNN層を作成する。
GNNは、我々の研究で偽ニュースを識別するジレンマに対する最良の解決策を提供する。
関連論文リスト
- GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based
Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。
本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-01-17T13:04:23Z) - Fake News Detection Through Graph-based Neural Networks: A Survey [18.70577400440486]
低品質や故意に偽の情報をオンラインで急速に広めることができる。
オンラインの誤報をできるだけ早く特定し、公表することは、ますます緊急の課題になりつつある。
本稿では,グラフベースおよび深層学習に基づくフェイクニュース検出研究の体系的レビューを行う。
論文 参考訳（メタデータ） (2023-07-24T09:30:30Z) - 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) - Automatic Relation-aware Graph Network Proliferation [182.30735195376792]
GNNを効率的に検索するためのARGNP(Automatic Relation-Aware Graph Network Proliferation)を提案する。
これらの操作は階層的なノード/リレーショナル情報を抽出し、グラフ上のメッセージパッシングのための異方的ガイダンスを提供する。
4つのグラフ学習タスクのための6つのデータセットの実験により、我々の手法によって生成されたGNNは、現在最先端の手作りおよび検索に基づくGNNよりも優れていることが示された。
論文 参考訳（メタデータ） (2022-05-31T10:38:04Z) - Graph-level Neural Networks: Current Progress and Future Directions [61.08696673768116]
グラフレベルのニューラルネットワーク(GLNN、ディープラーニングベースのグラフレベルの学習法)は、高次元データのモデリングにおいて優れているため、魅力的である。
本稿では,深層ニューラルネットワーク,グラフニューラルネットワーク,グラフプール上でのGLNNを網羅する系統分類法を提案する。
論文 参考訳（メタデータ） (2022-05-31T06:16:55Z) - Evidential Temporal-aware Graph-based Social Event Detection via
Dempster-Shafer Theory [76.4580340399321]
ETGNN(Evidential Temporal-aware Graph Neural Network)を提案する。
ノードがテキストであり、エッジがそれぞれ複数の共有要素によって決定されるビュー固有グラフを構築する。
ビュー固有の不確実性を考慮すると、すべてのビューの表現は、明らかなディープラーニング(EDL)ニューラルネットワークを介してマス関数に変換される。
論文 参考訳（メタデータ） (2022-05-24T16:22:40Z) - Fake News Quick Detection on Dynamic Heterogeneous Information Networks [3.599616699656401]
偽ニュース検出のための新しい動的不均一グラフニューラルネットワーク(DHGNN)を提案する。
我々はまず、ニュース記事の内容と著者プロファイルのセマンティック表現を得るために、BERTと微調整BERTを実装した。
そして、文脈情報と関係を反映した異質なニュース著者グラフを構築する。
論文 参考訳（メタデータ） (2022-05-14T11:23:25Z) - Hetero-SCAN: Towards Social Context Aware Fake News Detection via
Heterogeneous Graph Neural Network [11.145085584637744]
異種グラフニューラルネットワークに基づく新しい社会的文脈認識型偽ニュース検出手法Hetero-SCANを提案する。
我々は,Hetero-SCANが,最先端のテキストベースおよびグラフベースの偽ニュース検出手法に対して,性能と効率の面で大幅な改善をもたらすことを実証した。
論文 参考訳（メタデータ） (2021-09-13T15:21:44Z) - 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) - Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph
Neural Networks [183.97265247061847]
我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。
GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。
また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
論文 参考訳（メタデータ） (2020-03-08T13:02:15Z) - Fake News Detection on News-Oriented Heterogeneous Information Networks
through Hierarchical Graph Attention [12.250335118888891]
階層型グラフ注意ネットワーク(HGAT)という,新たなフェイクニュース検出フレームワークを提案する。
HGATは、新しい階層的な注意機構を使用して、HINでノード表現学習を行い、ニュース記事ノードを分類することでフェイクニュースを検出する。
2つの実世界のフェイクニュースデータセットの実験は、HGATがテキストベースのモデルや他のネットワークベースのモデルより優れていることを示している。
論文 参考訳（メタデータ） (2020-02-05T19:09:13Z)
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。