論文の概要: MiDAS: Multi-integrated Domain Adaptive Supervision for Fake News Detection

• arxiv url: http://arxiv.org/abs/2205.09817v1
• Date: Thu, 19 May 2022 19:36:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-06 02:45:47.577216
• Title: MiDAS: Multi-integrated Domain Adaptive Supervision for Fake News Detection
• Title（参考訳）: MiDAS:フェイクニュース検出のためのマルチ統合ドメイン適応スーパービジョン
• Authors: Abhijit Suprem and Calton Pu
• Abstract要約: 偽ニュース検出のためのマルチドメイン適応手法であるMiDASを提案する。 MiDASは既存のモデルと新しいサンプルの関連性をランク付けしている。 9つの偽ニュースデータセットを用いたドリフトデータへの一般化に関するMIDASの評価を行った。
• 参考スコア（独自算出の注目度）: 3.210653757360955
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: COVID-19 related misinformation and fake news, coined an 'infodemic', has dramatically increased over the past few years. This misinformation exhibits concept drift, where the distribution of fake news changes over time, reducing effectiveness of previously trained models for fake news detection. Given a set of fake news models trained on multiple domains, we propose an adaptive decision module to select the best-fit model for a new sample. We propose MiDAS, a multi-domain adaptative approach for fake news detection that ranks relevancy of existing models to new samples. MiDAS contains 2 components: a doman-invariant encoder, and an adaptive model selector. MiDAS integrates multiple pre-trained and fine-tuned models with their training data to create a domain-invariant representation. Then, MiDAS uses local Lipschitz smoothness of the invariant embedding space to estimate each model's relevance to a new sample. Higher ranked models provide predictions, and lower ranked models abstain. We evaluate MiDAS on generalization to drifted data with 9 fake news datasets, each obtained from different domains and modalities. MiDAS achieves new state-of-the-art performance on multi-domain adaptation for out-of-distribution fake news classification.
• Abstract（参考訳）: 新型コロナウイルス関連の偽情報や偽ニュースは、ここ数年で劇的に増加している。 この誤報は、偽ニュースの分布が時間とともに変化するという概念ドリフトを示し、以前に訓練された偽ニュース検出モデルの有効性を低下させる。 複数のドメインでトレーニングされた偽ニュースモデルのセットを考えると、新しいサンプルに最適なモデルを選択するための適応決定モジュールを提案する。 既存のモデルと新しいサンプルの関連性をランク付けする,偽ニュース検出のためのマルチドメイン適応手法であるMiDASを提案する。 MiDASには、doman-invariant encoderとAdaptive model selectorの2つのコンポーネントが含まれている。 MiDASは、訓練済みおよび微調整された複数のモデルとトレーニングデータを統合し、ドメイン不変表現を生成する。 次に、MiDASは不変埋め込み空間の局所リプシッツ滑らかさを用いて、各モデルの新しいサンプルとの関係を推定する。 上位のモデルは予測を提供し、下位のモデルは無視する。 我々は,9つの偽ニュースデータセットを用いたドリフトデータへの一般化に関するMIDASの評価を行った。 MiDASは、配信外フェイクニュース分類のためのマルチドメイン適応のための新しい最先端性能を実現する。

関連論文リスト

• MAPX: An explainable model-agnostic framework for the detection of false information on social media networks [1.5196326555431678]
  我々はMAPXと呼ばれる新しいモデルに依存しないフレームワークを導入し、予測のエビデンスに基づくアグリゲーションを可能にする。 我々は、MAPXの有効性を示すために、ベンチマークされた偽ニュースデータセットに対して広範な実験を行った。 実験結果から,提案手法は評価されたすべての最先端モデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-13T03:45:10Z)
• GM-DF: Generalized Multi-Scenario Deepfake Detection [49.072106087564144]
  既存の偽造検出は、通常、単一のドメインでのトレーニングモデルのパラダイムに従う。 本稿では,複数の顔偽造検出データセットを共同で訓練した場合のディープフェイク検出モデルの一般化能力について詳しく検討する。
  論文  参考訳（メタデータ） (2024-06-28T17:42:08Z)
• DFIL: Deepfake Incremental Learning by Exploiting Domain-invariant Forgery Clues [32.045504965382015]
  現在のディープフェイク検出モデルは、大規模なデータセットでトレーニングすることで、一般的に偽画像を認識することができる。 検出モデルの精度は、データ分布の違いにより、新しいディープフェイク法によって生成された画像に対して著しく低下する。 本稿では,ディープフェイク検出モデルの一般化を改善するための新たなインクリメンタルラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-18T07:02:26Z)
• Self-Evolution Learning for Mixup: Enhance Data Augmentation on Few-Shot Text Classification Tasks [75.42002070547267]
  テキスト分類におけるデータ拡張のための自己進化学習(SE)に基づくミックスアップ手法を提案する。 モデル出力と原サンプルの1つのホットラベルを線形に補間して,新しい軟質なラベル混在を生成する,新しいインスタンス固有ラベル平滑化手法を提案する。
  論文  参考訳（メタデータ） (2023-05-22T23:43:23Z)
• Cross-Domain Video Anomaly Detection without Target Domain Adaptation [38.823721272155616]
  ビデオ異常検出(VAD)作業は、ソースからターゲットドメインへの適応のために、少なくともタスク関連ターゲットドメイントレーニングデータが利用可能なことを前提としている。 このためには、最初から動作するシステムを好むエンドユーザによる厳格なモデルチューニングが必要です。
  論文  参考訳（メタデータ） (2022-12-14T03:48:00Z)
• Multi-domain Learning for Updating Face Anti-spoofing Models [17.506385040102213]
  本稿では,MD-FASの新しいモデルを提案する。 まず,スプーフ領域推定器(SRE)と呼ばれるシンプルだが効果的なモジュールを考案し,スプーフ画像中のスプーフトレースを同定する。 複数の出力や低解像度のバイナリマスクを生成するスプーフトレースを推定する以前の研究とは異なり、SREは教師なしの方法で1つの詳細なピクセルワイド推定を生成する。
  論文  参考訳（メタデータ） (2022-08-23T18:28:34Z)
• Back to the Source: Diffusion-Driven Test-Time Adaptation [77.4229736436935]
  テスト時間適応はテスト入力を利用し、シフトしたターゲットデータ上でテストした場合、ソースデータに基づいてトレーニングされたモデルの精度を向上させる。 代わりに、生成拡散モデルを用いて、すべてのテスト入力をソース領域に向けて投影することで、ターゲットデータを更新する。
  論文  参考訳（メタデータ） (2022-07-07T17:14:10Z)
• Fake It Till You Make It: Near-Distribution Novelty Detection by Score-Based Generative Models [54.182955830194445]
  既存のモデルは、いわゆる"近く分布"設定で失敗するか、劇的な低下に直面します。 本稿では, スコアに基づく生成モデルを用いて, 合成近分布異常データを生成することを提案する。 本手法は,9つのノベルティ検出ベンチマークにおいて,近分布ノベルティ検出を6%改善し,最先端のノベルティ検出を1%から5%パスする。
  論文  参考訳（メタデータ） (2022-05-28T02:02:53Z)
• On-the-Fly Test-time Adaptation for Medical Image Segmentation [63.476899335138164]
  ソースモデルをテスト時にターゲットデータに適応させることは、データシフト問題に対する効率的な解決策である。 本稿では、各畳み込みブロックに適応バッチ正規化層を設けるAdaptive UNetという新しいフレームワークを提案する。 テスト期間中、モデルは新しいテストイメージのみを取り込み、ドメインコードを生成して、テストデータに従ってソースモデルの特徴を適応させる。
  論文  参考訳（メタデータ） (2022-03-10T18:51:29Z)
• Transformer-based Language Model Fine-tuning Methods for COVID-19 Fake News Detection [7.29381091750894]
  偽ニュース検出のためのトランスフォーマーに基づく言語モデルの微調整手法を提案する。 まず、個々のモデルのトークン語彙を専門用語の実際の意味論のために拡張する。 最後に、普遍言語モデルRoBERTaとドメイン固有モデルCT-BERTによって抽出された予測特徴を、複数の層認識によって融合させ、微細で高レベルな特定の表現を統合する。
  論文  参考訳（メタデータ） (2021-01-14T09:05:42Z)
• Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
  数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。 本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
  論文  参考訳（メタデータ） (2020-02-27T10:22:17Z)

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。