論文の概要: Research Status of Deep Learning Methods for Rumor Detection
- arxiv url: http://arxiv.org/abs/2204.11540v1
- Date: Mon, 25 Apr 2022 10:21:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 16:27:39.568570
- Title: Research Status of Deep Learning Methods for Rumor Detection
- Title(参考訳): 噂検出のための深層学習手法の研究状況
- Authors: Li Tan, Ge Wang, Feiyang Jia, Xiaofeng Lian
- Abstract要約: 本稿では, 特徴選択, モデル構造, 研究手法の3つの視点から, 噂検出の研究状況を分析する。
本研究は,30の作品を,伝播木,敵対学習,クロスドメイン手法,マルチタスク学習,教師なし・半教師付き手法,ベースナレッジグラフなど7つの噂検出手法にまとめる。
- 参考スコア(独自算出の注目度): 2.8837214828894435
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To manage the rumors in social media to reduce the harm of rumors in society.
Many studies used methods of deep learning to detect rumors in open networks.
To comprehensively sort out the research status of rumor detection from
multiple perspectives, this paper analyzes the highly focused work from three
perspectives: Feature Selection, Model Structure, and Research Methods. From
the perspective of feature selection, we divide methods into content feature,
social feature, and propagation structure feature of the rumors. Then, this
work divides deep learning models of rumor detection into CNN, RNN, GNN,
Transformer based on the model structure, which is convenient for comparison.
Besides, this work summarizes 30 works into 7 rumor detection methods such as
propagation trees, adversarial learning, cross-domain methods, multi-task
learning, unsupervised and semi-supervised methods, based knowledge graph, and
other methods for the first time. And compare the advantages of different
methods to detect rumors. In addition, this review enumerate datasets available
and discusses the potential issues and future work to help researchers advance
the development of field.
- Abstract(参考訳): ソーシャルメディアの噂を管理し、社会における噂の害を軽減する。
多くの研究は、オープンネットワークの噂を検出するためにディープラーニングの手法を用いた。
本稿では,複数の視点からうわさ検出の研究状況を総合的に整理するために,特徴選択,モデル構造,研究方法という3つの視点から,高度に焦点を絞った作業を分析する。
特徴選択の観点から、我々は、噂のコンテンツ特徴、社会的特徴、伝播構造特徴にメソッドを分割する。
そこで本研究では,CNN,RNN,GNN,Transformerの深層学習モデルをモデル構造に基づいて分割し,比較に有用である。
さらに,本研究は,30の作品を,伝播木,敵対学習,クロスドメイン手法,マルチタスク学習,教師なし・半教師付き手法,知識グラフなど7つの噂検出手法にまとめる。
そして、噂を検出する様々な方法の利点を比較する。
さらに、このレビューでは、利用可能なデータセットを列挙し、研究者がフィールドの開発を進めるのに役立つ潜在的な問題と今後の研究について論じる。
関連論文リスト
- Monocular Lane Detection Based on Deep Learning: A Survey [51.19079381823076]
車線検出は自律運転認識システムにおいて重要な役割を果たす。
ディープラーニングアルゴリズムが普及するにつれて、それらに基づく単眼車線検出法は優れた性能を示した。
本稿では, 成熟度の高い2次元車線検出手法と開発途上国の3次元車線検出技術の両方を網羅して, 既存手法の概要を概説する。
論文 参考訳(メタデータ) (2024-11-25T12:09:43Z) - 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) - Zero-Shot Rumor Detection with Propagation Structure via Prompt Learning [24.72097408129496]
従来の研究では、アノテートされたリソースが不足しているため、少数言語で提示される噂は見つからないことが判明した。
本稿では,異なるドメインで発生する噂や,異なる言語で提示される噂を検出するための,素早い学習に基づく新しいフレームワークを提案する。
提案手法は最先端手法よりも優れた性能を実現し,早期に噂を検出する能力に優れる。
論文 参考訳(メタデータ) (2022-12-02T12:04:48Z) - Exploring Graph-aware Multi-View Fusion for Rumor Detection on Social
Media [23.231289922442414]
噂表現学習と分類のための新しい多視点融合フレームワークを提案する。
グラフ畳み込みニューラルネットワーク(GCN)に基づいて複数のビューを符号化し、畳み込みニューラルネットワーク(CNN)を活用する。
2つの公開データセットの実験結果から,本手法が最先端の手法より優れていることが示された。
論文 参考訳(メタデータ) (2022-11-08T13:27:43Z) - SSMTL++: Revisiting Self-Supervised Multi-Task Learning for Video
Anomaly Detection [108.57862846523858]
自己教師型マルチタスク学習フレームワークを再考し、元の手法にいくつかのアップデートを提案する。
マルチヘッド・セルフアテンション・モジュールを導入することで3次元畳み込みバックボーンを近代化する。
モデルをさらに改良するために,セグメントマップの予測などの自己指導型学習タスクについて検討した。
論文 参考訳(メタデータ) (2022-07-16T19:25:41Z) - Rumor Detection with Self-supervised Learning on Texts and Social Graph [101.94546286960642]
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。
論文 参考訳(メタデータ) (2022-04-19T12:10:03Z) - Detect Rumors in Microblog Posts for Low-Resource Domains via
Adversarial Contrastive Learning [8.013665071332388]
本稿では,噂データから得られた特徴を低リソースデータに適応させることにより,噂を検出するための逆相反学習フレームワークを提案する。
本フレームワークは最先端の手法よりも優れた性能を実現し,早期に噂を検出する能力に優れる。
論文 参考訳(メタデータ) (2022-04-18T03:10:34Z) - A Review of Sound Source Localization with Deep Learning Methods [71.18444724397486]
本稿では,単音源および複数音源の音源定位のための深層学習手法について概説する。
この文脈におけるニューラルネットワークを用いた局所化文献の網羅的なトポグラフィーを提供する。
文献レビューを要約したテーブルをレビューの最後に提供し、所定の対象特性のセットでメソッドを素早く検索する。
論文 参考訳(メタデータ) (2021-09-08T07:25:39Z) - Schemes of Propagation Models and Source Estimators for Rumor Source
Detection in Online Social Networks: A Short Survey of a Decade of Research [46.40445316832167]
拡散モデルは、ネットワークにおけるソース検出にとって非常に重要かつ挑戦可能な要素であると考えられる。
本稿では, 個別カスケード型, 流行型, 学習型の3つの代表的なスキームを概説し, うわさ伝播のパターンをモデル化する。
論文 参考訳(メタデータ) (2021-01-04T03:34:17Z) - Rumor Detection on Social Media with Bi-Directional Graph Convolutional
Networks [89.13567439679709]
本稿では,二方向グラフ畳み込みネットワーク (Bi-Directional Graph Convolutional Networks, Bi-GCN) と呼ばれる新しい双方向グラフモデルを提案する。
これは、噂拡散のパターンを学習するために、噂拡散のトップダウン指向グラフを持つGCNと、噂拡散の反対指向グラフを持つGCNを活用して、噂拡散の構造を捉える。
論文 参考訳(メタデータ) (2020-01-17T15:12:08Z)
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。