論文の概要: Region-enhanced Deep Graph Convolutional Networks for Rumor Detection
- arxiv url: http://arxiv.org/abs/2206.07665v1
- Date: Wed, 15 Jun 2022 17:00:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-16 15:23:20.197763
- Title: Region-enhanced Deep Graph Convolutional Networks for Rumor Detection
- Title(参考訳): 領域拡張型深層グラフ畳み込みネットワークによるうわさ検出
- Authors: Ge Wang, Li Tan, Tianbao Song, Wei Wang, Ziliang Shang
- Abstract要約: 噂の伝播特性を高める新しい領域強化深部グラフ畳み込みネットワーク(RDGCN)を提案する。
Twitter15とTwitter16の実験では、提案されたモデルは、噂検出と初期の噂検出のベースラインアプローチよりも優れた性能を示している。
- 参考スコア(独自算出の注目度): 6.5165993338043995
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Social media has been rapidly developing in the public sphere due to its ease
of spreading new information, which leads to the circulation of rumors.
However, detecting rumors from such a massive amount of information is becoming
an increasingly arduous challenge. Previous work generally obtained valuable
features from propagation information. It should be noted that most methods
only target the propagation structure while ignoring the rumor transmission
pattern. This limited focus severely restricts the collection of spread data.
To solve this problem, the authors of the present study are motivated to
explore the regionalized propagation patterns of rumors. Specifically, a novel
region-enhanced deep graph convolutional network (RDGCN) that enhances the
propagation features of rumors by learning regionalized propagation patterns
and trains to learn the propagation patterns by unsupervised learning is
proposed. In addition, a source-enhanced residual graph convolution layer
(SRGCL) is designed to improve the graph neural network (GNN) oversmoothness
and increase the depth limit of the rumor detection methods-based GNN.
Experiments on Twitter15 and Twitter16 show that the proposed model performs
better than the baseline approach on rumor detection and early rumor detection.
- Abstract(参考訳): ソーシャルメディアは、新しい情報を広めるのが容易であるため、公の場で急速に発展しており、噂が流れている。
しかし、このような大量の情報から噂を検出することは、ますます困難な課題になりつつある。
先行研究は一般に伝播情報から貴重な特徴を得た。
ただし、ほとんどの手法は、噂の伝達パターンを無視しながら伝播構造のみをターゲットにしている。
この限定的な焦点は、スプレッドデータの収集を厳しく制限する。
この問題を解決するために,本研究の著者らは,噂の地域的伝播パターンを探求する動機がある。
具体的には, 地域的伝播パターンを学習し, 教師なし学習による伝播パターンを学習することにより, 噂の伝播特性を高める新しい領域拡張深層グラフ畳み込みネットワーク(rdgcn)を提案する。
さらに、ソース強化残差グラフ畳み込み層(SRGCL)は、グラフニューラルネットワーク(GNN)の過度性を改善し、噂検出手法に基づくGNNの深さ制限を増大させるように設計されている。
twitter15とtwitter16の実験では、提案モデルが、噂の検出と初期の噂検出のベースラインアプローチよりも優れた性能を示している。
関連論文リスト
- Revealing Decurve Flows for Generalized Graph Propagation [108.80758541147418]
本研究は,有向グラフと重み付きグラフを用いて,m文を一般化した伝播を定義することによって,従来のメッセージパッシング(中心からグラフ学習)の限界に対処する。
この分野ではじめて、データセットにおける学習された伝播パターンの予備的な探索を含む。
論文 参考訳(メタデータ) (2024-02-13T14:13:17Z) - Accelerating Scalable Graph Neural Network Inference with Node-Adaptive
Propagation [80.227864832092]
グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。
大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。
本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
論文 参考訳(メタデータ) (2023-10-17T05:03:00Z) - Rumor Detection with Diverse Counterfactual Evidence [32.746912322365525]
ソーシャルメディアは、個人やコミュニティに対する偽ニュースの脅威を悪化させている。
一般的なアプローチは、噂の拡散プロセスの伝播後のパターンを利用するために、グラフニューラルネットワーク(GNN)を利用する。
DCE-RD(Diverse Counterfactal Evidence framework for Rumor Detection)を提案する。
論文 参考訳(メタデータ) (2023-07-18T14:37:23Z) - 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) - Diffuse-Denoise-Count: Accurate Crowd-Counting with Diffusion Models [49.59991322513561]
我々は,JHU-CROWD++で最大6%,UCF-QNRFで最大7%の誤差を改善する新しい群集カウントパイプラインを開発した。
論文 参考訳(メタデータ) (2023-03-22T17:58:01Z) - 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) - Towards Propagation Uncertainty: Edge-enhanced Bayesian Graph
Convolutional Networks for Rumor Detection [11.128278871845698]
本稿では,エッジ強化型ベイズグラフ畳み込みネットワーク(EBGCN)を提案する。
このモデルはベイズ的アプローチを採用することにより、潜伏関係の信頼性を適応的に再考する。
3つの公開ベンチマークデータセットを用いた実験により,提案モデルでは,噂検出と早期噂検出の双方において,ベースライン法よりも優れた性能が得られることが示された。
論文 参考訳(メタデータ) (2021-07-26T03:07:07Z) - Spatio-Temporal Inception Graph Convolutional Networks for
Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。
ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文 参考訳(メタデータ) (2020-11-26T14:43:04Z) - Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。
我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文 参考訳(メタデータ) (2020-10-06T01:20:27Z) - 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。