論文の概要: A Weakly Supervised Propagation Model for Rumor Verification and Stance
Detection with Multiple Instance Learning
- arxiv url: http://arxiv.org/abs/2204.02626v1
- Date: Wed, 6 Apr 2022 07:07:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-07 13:09:45.094704
- Title: A Weakly Supervised Propagation Model for Rumor Verification and Stance
Detection with Multiple Instance Learning
- Title（参考訳）: 複数インスタンス学習によるうわさ検証と姿勢検出のための弱教師付き伝播モデル
- Authors: Ruichao Yang, Jing Ma, Hongzhan Lin, Wei Gao
- Abstract要約: 本稿では,2つの木構造型弱教師付きフレームワークについて,噂やスタンスを共同で分類する。
クレームレベルの噂検出とポストレベルのスタンス分類の両モデルについて,最先端手法との比較を行った。
- 参考スコア（独自算出の注目度）: 8.659605626407245
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The diffusion of rumors on microblogs generally follows a propagation tree
structure, that provides valuable clues on how an original message is
transmitted and responded by users over time. Recent studies reveal that rumor
detection and stance detection are two different but relevant tasks which can
jointly enhance each other, e.g., rumors can be debunked by cross-checking the
stances conveyed by their relevant microblog posts, and stances are also
conditioned on the nature of the rumor. However, most stance detection methods
require enormous post-level stance labels for training, which are
labor-intensive given a large number of posts. Enlightened by Multiple Instance
Learning (MIL) scheme, we first represent the diffusion of claims with
bottom-up and top-down trees, then propose two tree-structured weakly
supervised frameworks to jointly classify rumors and stances, where only the
bag-level labels concerning claim's veracity are needed. Specifically, we
convert the multi-class problem into a multiple MIL-based binary classification
problem where each binary model focuses on differentiating a target stance or
rumor type and other types. Finally, we propose a hierarchical attention
mechanism to aggregate the binary predictions, including (1) a bottom-up or
top-down tree attention layer to aggregate binary stances into binary veracity;
and (2) a discriminative attention layer to aggregate the binary class into
finer-grained classes. Extensive experiments conducted on three Twitter-based
datasets demonstrate promising performance of our model on both claim-level
rumor detection and post-level stance classification compared with
state-of-the-art methods.
- Abstract（参考訳）: マイクロブログ上での噂の拡散は一般的に伝搬木構造に追随し、元のメッセージの送信方法やユーザによる応答方法に関する貴重な手がかりを提供する。
最近の研究では、噂検出とスタンス検出は2つの異なるが関連性のあるタスクであり、例えば、関連するマイクロブログの投稿によって伝達されるスタンスを相互にチェックすることで、互いに協調的に強化することができる。
しかし、ほとんどのスタンス検出方法は、多くのポストが労働集約的なトレーニングのために巨大なポストレベルのスタンスラベルを必要とする。
マルチインスタンス学習(mil)スキームにより,まずボトムアップ木とトップダウン木でクレームの拡散を表現し,次に,クレームの妥当性に関するバッグレベルラベルのみを必要とする,噂とスタンスを共同で分類する2つの木構造的弱教師付きフレームワークを提案する。
具体的には、マルチクラス問題を複数のmilベースのバイナリ分類問題に変換し、それぞれのバイナリモデルがターゲットのスタンスや噂のタイプ、その他のタイプを区別することに焦点を当てます。
最後に,(1)ボトムアップやトップダウンのツリーの注意層をバイナリの精度に集約し,(2)バイナリクラスをよりきめ細かなクラスに集約する識別的注意層を含む,バイナリの予測を集約する階層的注意層を提案する。
3つのtwitterベースのデータセットで行った広範囲な実験は、クレームレベルのうわさ検出とポストレベルスタンス分類の両方において、最先端の手法と比較して、このモデルの有望な性能を示している。
関連論文リスト
- A Unified Contrastive Transfer Framework with Propagation Structure for
Boosting Low-Resource Rumor Detection [11.201348902221257]
既存の噂検出アルゴリズムは 昨日のニュースで 有望な性能を見せています
十分なトレーニングデータや事前の専門家知識が欠如しているため、予期せぬ出来事に関する噂を見つけるのが苦手である。
本稿では,十分な情報源から得られた特徴を,少数のアノテーションで少ない資料に適応させることで,噂を検出するための一貫したコントラスト転送フレームワークを提案する。
論文 参考訳（メタデータ） (2023-04-04T03:13:03Z) - Learning Classifiers of Prototypes and Reciprocal Points for Universal
Domain Adaptation [79.62038105814658]
Universal Domainは、ドメインシフトとカテゴリシフトという2つのシフトを処理して、データセット間で知識を転送することを目的としている。
主な課題は、既知のクラス知識の分布をソースからターゲットに適応させながら、未知のターゲットサンプルを正しく識別することである。
既存のほとんどの手法は、まずターゲットが適応した既知の知識を訓練し、次に未知のターゲットサンプルを識別するために単一のしきい値に依存することでこの問題に対処する。
論文 参考訳（メタデータ） (2022-12-16T09:01:57Z) - The Overlooked Classifier in Human-Object Interaction Recognition [82.20671129356037]
クラス間の意味的相関を分類ヘッドにエンコードし,重みをHOIの言語埋め込みで初期化する。
我々は,LSE-Sign という新しい損失を,長い尾を持つデータセット上でのマルチラベル学習を強化するために提案する。
我々は,物体検出と人間のポーズを明確なマージンで求める最先端技術よりも優れた,検出不要なHOI分類を可能にする。
論文 参考訳（メタデータ） (2022-03-10T23:35:00Z) - Few-Shot Fine-Grained Action Recognition via Bidirectional Attention and
Contrastive Meta-Learning [51.03781020616402]
現実世界のアプリケーションで特定のアクション理解の需要が高まっているため、きめ細かいアクション認識が注目を集めている。
そこで本研究では,各クラスに付与されるサンプル数だけを用いて,新規なきめ細かい動作を認識することを目的とした,数発のきめ細かな動作認識問題を提案する。
粒度の粗い動作では進展があったが、既存の数発の認識手法では、粒度の細かい動作を扱う2つの問題に遭遇する。
論文 参考訳（メタデータ） (2021-08-15T02:21:01Z) - Online Multiple Object Tracking with Cross-Task Synergy [120.70085565030628]
位置予測と埋め込み結合の相乗効果を考慮した新しい統一モデルを提案する。
この2つのタスクは、時間認識対象の注意と注意の注意、およびアイデンティティ認識メモリ集約モデルによってリンクされる。
論文 参考訳（メタデータ） (2021-04-01T10:19:40Z) - Modulating Localization and Classification for Harmonized Object
Detection [40.82723262074911]
2つのタスクを変調する相互学習フレームワークを提案する。
特に,2つのタスクは,新たな相互ラベル付け戦略によって互いに学習することを余儀なくされる。
COCOデータセットのベースライン検出器に対する大幅なパフォーマンス向上を実現しました。
論文 参考訳（メタデータ） (2021-03-16T10:36:02Z) - Discriminative Nearest Neighbor Few-Shot Intent Detection by
Transferring Natural Language Inference [150.07326223077405]
データ不足を緩和するためには、ほとんどショットラーニングが注目を集めている。
深部自己注意を伴う識別的近傍分類を提示する。
自然言語推論モデル(NLI)を変換することで識別能力を高めることを提案する。
論文 参考訳（メタデータ） (2020-10-25T00:39:32Z) - Exploiting stance hierarchies for cost-sensitive stance detection of Web
documents [24.898077978955406]
スタンス検出は、請求書に対する文書の位置(スタンス)を特定することを目的としている。
本稿では,カスケードバイナリ分類器のモジュールパイプラインを提案する。
マイノリティクラスの誤分類コストを強調するニューラルネットワークと従来の分類モデルを組み合わせることで、我々のアプローチを実装します。
論文 参考訳（メタデータ） (2020-07-29T21:40:01Z) - Symbiotic Adversarial Learning for Attribute-based Person Search [86.7506832053208]
本稿では,共生学習の枠組みとして,共生学習の基盤に2つのGANを配置する。
具体的には、2種類の生成的敵ネットワークがトレーニングプロセスを通して協調的に学習する。
論文 参考訳（メタデータ） (2020-07-19T07:24:45Z)
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。