論文の概要: Rumor Detection with Self-supervised Learning on Texts and Social Graph
- arxiv url: http://arxiv.org/abs/2204.08838v1
- Date: Tue, 19 Apr 2022 12:10:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-20 15:07:49.226762
- Title: Rumor Detection with Self-supervised Learning on Texts and Social Graph
- Title（参考訳）: テキストとソーシャルグラフを用いた自己教師付き学習によるうわさ検出
- Authors: Yuan Gao, Xiang Wang, Xiangnan He, Huamin Feng, Yongdong Zhang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 101.94546286960642
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Rumor detection has become an emerging and active research field in recent
years. At the core is to model the rumor characteristics inherent in rich
information, such as propagation patterns in social network and semantic
patterns in post content, and differentiate them from the truth. However,
existing works on rumor detection fall short in modeling heterogeneous
information, either using one single information source only (e.g. social
network, or post content) or ignoring the relations among multiple sources
(e.g. fusing social and content features via simple concatenation). Therefore,
they possibly have drawbacks in comprehensively understanding the rumors, and
detecting them accurately. In this work, we explore contrastive self-supervised
learning on heterogeneous information sources, so as to reveal their relations
and characterize rumors better. Technically, we supplement the main supervised
task of detection with an auxiliary self-supervised task, which enriches post
representations via post self-discrimination. Specifically, given two
heterogeneous views of a post (i.e. representations encoding social patterns
and semantic patterns), the discrimination is done by maximizing the mutual
information between different views of the same post compared to that of other
posts. We devise cluster-wise and instance-wise approaches to generate the
views and conduct the discrimination, considering different relations of
information sources. We term this framework as Self-supervised Rumor Detection
(SRD). Extensive experiments on three real-world datasets validate the
effectiveness of SRD for automatic rumor detection on social media.
- Abstract（参考訳）: 近年、うわさ検出は新興で活発な研究分野となっている。
中心となるのは、ソーシャルネットワークの伝搬パターンやポストコンテンツのセマンティックパターンなど、リッチな情報に固有のうわさの特徴をモデル化し、真実と区別することだ。
しかし、噂の検出に関する既存の研究は、単一の情報ソースのみ(例えば、ソーシャルネットワークやポストコンテンツ)を使うか、複数のソース間の関係を無視する(例えば、単純な結合によってソーシャルとコンテンツの機能を融合する)など、異質な情報のモデル化において不足している。
したがって、噂を包括的に理解し、正確に検出する上での欠点があるかもしれない。
本研究では,異種情報ソースにおけるコントラスト的自己教師付き学習について検討し,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。
技術的には, 検出の主監督タスクを補助的自己監督タスクで補完し, ポスト自己弁別によりポスト表現を豊かにする。
具体的には、ポストの2つの異質なビュー(すなわち、社会的パターンと意味パターンを符号化する表現)を与えられた場合、同じポストの異なるビュー間の相互情報を他のポストと比較して最大化する。
我々は、情報ソースの異なる関係を考慮して、視点を生成し、識別を行うためのクラスタワイズおよびインスタンスワイズアプローチを考案する。
本稿では,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。
関連論文リスト
- Revisiting Self-supervised Learning of Speech Representation from a
Mutual Information Perspective [68.20531518525273]
我々は、情報理論の観点から、既存の自己教師型音声の手法を詳しく検討する。
我々は線形プローブを用いて、対象情報と学習された表現の間の相互情報を推定する。
我々は、ラベルを使わずに、データの異なる部分間の相互情報を見積もる自己教師型の表現を評価する可能性を探る。
論文 参考訳（メタデータ） (2024-01-16T21:13:22Z) - 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) - Unsupervised Domain Adaptation on Person Re-Identification via
Dual-level Asymmetric Mutual Learning [108.86940401125649]
本稿では,多種多様な埋め込み空間を持つより広い知識領域から識別的表現を学習するための,DAML(Dual-level Asymmetric Mutual Learning)を提案する。
2つのネットワーク間の知識伝達は、非対称な相互学習方式に基づいている。
Market-1501、CUHK-SYSU、MSMT17の公開データセットにおける実験は、最先端技術よりもDAMLの方が優れていることを証明した。
論文 参考訳（メタデータ） (2023-01-29T12:36:17Z) - PatchMix Augmentation to Identify Causal Features in Few-shot Learning [55.64873998196191]
少ないショット学習は、十分なカテゴリをラベル付けしたデータに基づいて学習した知識を、少ない既知の情報を持つ新しいカテゴリに転送することを目的としている。
我々はPatchMixと呼ばれる新しいデータ拡張戦略を提案し、この急激な依存関係を壊すことができる。
このような拡張メカニズムが,既存のメカニズムと異なり,因果的特徴を識別可能であることを示す。
論文 参考訳（メタデータ） (2022-11-29T08:41:29Z) - Contextual information integration for stance detection via
cross-attention [59.662413798388485]
スタンス検出は、著者の目標に対する姿勢を特定することを扱う。
既存のスタンス検出モデルの多くは、関連するコンテキスト情報を考慮していないため、制限されている。
文脈情報をテキストとして統合する手法を提案する。
論文 参考訳（メタデータ） (2022-11-03T15:04:29Z) - Probing Spurious Correlations in Popular Event-Based Rumor Detection
Benchmarks [28.550143417847373]
オープンソースのベンチマークデータセットは、既存の研究で無視されている急激な相関に悩まされている。
本稿では,突発的な手がかりを除去する手段として,事象分離型うわさ検出法を提案する。
提案手法は, 有効性, 効率, 一般化性の観点から, 既存のベースラインよりも優れている。
論文 参考訳（メタデータ） (2022-09-19T07:11:36Z) - Mining Fine-grained Semantics via Graph Neural Networks for
Evidence-based Fake News Detection [20.282527436527765]
本稿では,グラフベースのsEmantic sTructureマイニングフレームワークを提案する。
我々は、クレームとエビデンスをグラフ構造化データとしてモデル化し、長距離セマンティック依存関係をキャプチャします。
文脈意味情報を得た後、グラフ構造学習を行うことにより、情報冗長性を低減する。
論文 参考訳（メタデータ） (2022-01-18T11:28:36Z) - 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) - 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) - A Kernel of Truth: Determining Rumor Veracity on Twitter by Diffusion
Pattern Alone [28.91437072569273]
誤情報検出分野における最近の研究は、ソーシャルメディア上のコンテンツに関連するテキストやユーザアイデンティティのリッチな信号を活用している。
我々は,情報伝達パターンという,自然に堅牢な代替モダリティについて検討する。
グラフカーネルを用いて、Twitterのカスケード構造から複雑なトポロジ情報を抽出する。
論文 参考訳（メタデータ） (2020-01-28T19:56:03Z)
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。