論文の概要: Model-Agnostic and Diverse Explanations for Streaming Rumour Graphs

• arxiv url: http://arxiv.org/abs/2207.08098v1
• Date: Sun, 17 Jul 2022 07:13:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-20 07:18:57.265373
• Title: Model-Agnostic and Diverse Explanations for Streaming Rumour Graphs
• Title（参考訳）: ストリームラマーグラフのモデル非依存・横説明法
• Authors: Thanh Tam Nguyen and Thanh Cong Phan and Minh Hieu Nguyen and Matthias Weidlich and Hongzhi Yin and Jun Jo and Quoc Viet Hung Nguyen
• Abstract要約: 検出された噂に関する説明は、過去に検出された関連する噂の例から説明できるかもしれないと論じる。 類似した噂の多種多様なセットは、ユーザーが、すなわち、噂の検出を支配する特性を理解するのに役立つ。
• 参考スコア（独自算出の注目度）: 39.88818563103125
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The propagation of rumours on social media poses an important threat to societies, so that various techniques for rumour detection have been proposed recently. Yet, existing work focuses on \emph{what} entities constitute a rumour, but provides little support to understand \emph{why} the entities have been classified as such. This prevents an effective evaluation of the detected rumours as well as the design of countermeasures. In this work, we argue that explanations for detected rumours may be given in terms of examples of related rumours detected in the past. A diverse set of similar rumours helps users to generalize, i.e., to understand the properties that govern the detection of rumours. Since the spread of rumours in social media is commonly modelled using feature-annotated graphs, we propose a query-by-example approach that, given a rumour graph, extracts the $k$ most similar and diverse subgraphs from past rumours. The challenge is that all of the computations require fast assessment of similarities between graphs. To achieve an efficient and adaptive realization of the approach in a streaming setting, we present a novel graph representation learning technique and report on implementation considerations. Our evaluation experiments show that our approach outperforms baseline techniques in delivering meaningful explanations for various rumour propagation behaviours.
• Abstract（参考訳）: ソーシャルメディア上での噂の伝播は社会にとって重要な脅威であり、近年では様々な発見手法が提案されている。 しかし、既存の研究は「emph{what} entity」は噂を構成するが、「emph{why}」を理解するためのサポートはほとんどない。 これにより、検出された噂の効果的評価と対策の設計が防止される。 本研究では, 過去に検出された関連する噂の例から, 検出された噂の説明を与えることができると論じる。 類似した噂の多種多様なセットは、ユーザが噂の検出を統制する特性を一般化するのに役立つ。 ソーシャルメディアにおける噂の拡散は、一般的に特徴付グラフを用いてモデル化されているため、噂グラフが与えられた場合、過去の噂からk$の類似した多様なサブグラフを抽出するクエリバイサンプルアプローチを提案する。 課題は、全ての計算がグラフ間の類似性の高速な評価を必要とすることである。 ストリーミング環境でのアプローチを効率的かつ適応的に実現するために,新しいグラフ表現学習手法を提案し,実装に関する考察を報告する。 評価実験の結果,提案手法は様々な噂伝搬行動に有意義な説明を与える上で,基礎的手法よりも優れていることがわかった。

関連論文リスト

• Rumor Detection with a novel graph neural network approach [12.42658463552019]
  ソーシャルメディア上での噂を検出するために,ユーザ相関と情報伝達の表現を共同で学習する新しい検出モデルを提案する。 具体的には、グラフニューラルネットワークを利用して、二部グラフからユーザ相関の表現を学習する。 本研究では,ユーザ相関パターンを逆転させるには高いコストが必要であることを示すとともに,ユーザ相関をうわさ検出のために考慮することの重要性を示す。
  論文  参考訳（メタデータ） (2024-03-24T15:59:47Z)
• Generating Zero-shot Abstractive Explanations for Rumour Verification [46.897767694062004]
  我々は,そのタスクを再構成して,噂の正確性に関するモデル中心のフリーテキストの説明を生成する。 大規模言語モデル(LLM)の少数ショット学習機能を利用する。 実験の結果,LLMは要約評価において人間と類似の一致を示すことができた。
  論文  参考訳（メタデータ） (2024-01-23T12:29:37Z)
• 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)
• 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)
• 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)
• Robust Contrastive Learning against Noisy Views [79.71880076439297]
  ノイズの多い視点に対して頑健な新しいコントラスト損失関数を提案する。 提案手法は,最新の画像,ビデオ,グラフのコントラスト学習ベンチマークに対して一貫した改善を提供する。
  論文  参考訳（メタデータ） (2022-01-12T05:24:29Z)
• Rumor Detection on Twitter with Claim-Guided Hierarchical Graph Attention Networks [5.167857972528786]
  ソーシャルメディアの時代には噂が広まっている。 本研究では,ユーザの意見の相互作用を大幅に強化するために,まず対話スレッドを非方向性の対話グラフとして表現する。 次に,レーム誘導型階層型グラフ注意ネットワークを提案し,応答性のある投稿の表現学習を強化する。
  論文  参考訳（メタデータ） (2021-10-09T09:24:11Z)
• ExplaGraphs: An Explanation Graph Generation Task for Structured Commonsense Reasoning [65.15423587105472]
  スタンス予測のための説明グラフ生成の新しい生成および構造化コモンセンスリゾニングタスク(および関連するデータセット)を紹介します。 具体的には、信念と議論が与えられた場合、モデルは、議論が信念を支持しているかどうかを予測し、予測されたスタンスに対する非自明で完全で曖昧な説明として機能する常識強化グラフを生成する必要がある。 グラフの83%は、様々な構造と推論深度を持つ外部のコモンセンスノードを含んでいる。
  論文  参考訳（メタデータ） (2021-04-15T17:51:36Z)
• 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。