論文の概要: Fake News Identification using Machine Learning Algorithms Based on Graph Features

• arxiv url: http://arxiv.org/abs/2208.10641v1
• Date: Mon, 22 Aug 2022 22:42:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-19 10:40:23.462510
• Title: Fake News Identification using Machine Learning Algorithms Based on Graph Features
• Title（参考訳）: グラフ特徴に基づく機械学習アルゴリズムを用いた偽ニュース識別
• Authors: Yuxuan Tian
• Abstract要約: 本研究の目的は,グラフと機械学習アルゴリズムを用いて偽ニュースを識別するモデルを構築することである。 フェイクニュースを効果的に予測し、フェイクニュースによる潜在的なネガティブな社会的影響を防止し、機械学習モデルのためのグラフ機能選択に関する新たな視点を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The spread of fake news has long been a social issue and the necessity of identifying it has become evident since its dangers are well recognized. In addition to causing uneasiness among the public, it has even more devastating consequences. For instance, it might lead to death during pandemics due to unverified medical instructions. This study aims to build a model for identifying fake news using graphs and machine learning algorithms. Instead of scanning the news content or user information, the research explicitly focuses on the spreading network, which shows the interconnection among people, and graph features such as the Eigenvector centrality, Jaccard Coefficient, and the shortest path. Fourteen features are extracted from graphs and tested in thirteen machine learning models. After analyzing these features and comparing the test result of machine learning models, the results reflect that propensity and centrality contribute highly to the classification. The best performing models reach 0.9913 and 0.9987 separately from datasets Twitter15 and Twitter16 using a modified tree classifier and Support Vector Classifier. This model can effectively predict fake news, prevent potential negative social impact caused by fake news, and provide a new perspective on graph feature selection for machine learning models.
• Abstract（参考訳）: 偽ニュースの拡散は、長い間社会的問題であり、その危険性が認識されて以来、それを特定する必要性は明らかになっている。 大衆に不安をもたらすことに加えて、さらに壊滅的な結果をもたらしている。 例えば、不確実な医療指示によってパンデミックで死亡する可能性がある。 本研究の目的は,グラフと機械学習アルゴリズムを用いて偽ニュースを識別するモデルを構築することである。 この研究は、ニュースコンテンツやユーザー情報をスキャンする代わりに、人間の相互接続を示す拡散ネットワークと、Eigenvector Centrality、Jaccard Coefficient、そして最も短いパスなどのグラフ機能に焦点を当てている。 グラフから14の特徴を抽出し、13の機械学習モデルでテストする。 これらの特徴を分析し、機械学習モデルのテスト結果と比較した結果、確率と集中度が分類に大きく貢献することを示した。 最高のパフォーマンスモデルはTwitter15とTwitter16のデータセットとは別に0.9913と0.9987に達する。 このモデルは、フェイクニュースを効果的に予測し、フェイクニュースによる潜在的なネガティブな社会的影響を防止し、機械学習モデルのためのグラフ特徴選択の新しい視点を提供する。

関連論文リスト

• A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation [59.14165404728197]
  我々は,分散シフト下での深層グラフ学習について,最新かつ先見的なレビューを行う。 具体的には,グラフ OOD 一般化,トレーニング時グラフ OOD 適応,テスト時グラフ OOD 適応の3つのシナリオについて述べる。 文献の理解を深めるために,提案した分類に基づく既存モデルを体系的に分類した。
  論文  参考訳（メタデータ） (2024-10-25T02:39:56Z)
• LOSS-GAT: Label Propagation and One-Class Semi-Supervised Graph Attention Network for Fake News Detection [2.6396287656676725]
  Loss-GATは、フェイクニュース検出のための半教師付き一級アプローチである。 我々は、ニュースを関心(フェイク)と非関心(リアル)の2つのグループに分類するために、2段階のラベル伝搬アルゴリズムを用いる。
  論文  参考訳（メタデータ） (2024-02-13T12:02:37Z)
• GAMC: An Unsupervised Method for Fake News Detection using Graph Autoencoder with Masking [18.783663535152158]
  グラフベースのテクニックは、このソーシャルコンテキストを取り入れているが、大きなラベル付きデータセットの必要性によって制限されている。 本稿では,マスキングとコントラスト学習を備えたグラフオートエンコーダを用いた,教師なしの偽ニュース検出手法であるGAMCを紹介する。 情報伝達のコンテキストと内容の両方を自己教師付き信号として活用することにより,ラベル付きデータセットの要求を無効化する。
  論文  参考訳（メタデータ） (2023-12-10T03:34:29Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• A Graph-Enhanced Click Model for Web Search [67.27218481132185]
  ウェブ検索のための新しいグラフ強調クリックモデル(GraphCM)を提案する。 セッション内情報とセッション間情報の両方を、スパーシリティ問題とコールドスタート問題に活用する。
  論文  参考訳（メタデータ） (2022-06-17T08:32:43Z)
• Graph Self-supervised Learning with Accurate Discrepancy Learning [64.69095775258164]
  離散性に基づく自己監督型LeArning(D-SLA)と呼ばれる原図と摂動グラフの正確な相違を学習することを目的としたフレームワークを提案する。 本稿では,分子特性予測,タンパク質機能予測,リンク予測タスクなど,グラフ関連下流タスクにおける本手法の有効性を検証する。
  論文  参考訳（メタデータ） (2022-02-07T08:04:59Z)
• Development of Fake News Model using Machine Learning through Natural Language Processing [0.7120858995754653]
  機械学習アルゴリズムとフェイクニュースの識別に使用しています。 フェイクニュース検出では、単純な分類が完全に正しいわけではない。 機械学習とテキストベースの処理を統合することで、偽ニュースを検出することができる。
  論文  参考訳（メタデータ） (2022-01-19T09:26:15Z)
• Intrusion Detection: Machine Learning Baseline Calculations for Image Classification [0.0]
  サイバーセキュリティは、機械学習の適用によって強化できる。 最も期待できる候補は、ライトマシン、ランダムフォレストブースト、エクストラツリーズである。
  論文  参考訳（メタデータ） (2021-11-03T17:49:38Z)
• Unbiased Graph Embedding with Biased Graph Observations [52.82841737832561]
  基礎となるバイアスのないグラフから学習することで、バイアスのない表現を得るための、原則化された新しい方法を提案する。 この新たな視点に基づいて、そのような基礎となるグラフを明らかにするための2つの補完的手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T18:44:37Z)
• Adversarial Active Learning based Heterogeneous Graph Neural Network for Fake News Detection [18.847254074201953]
  新規な偽ニュース検出フレームワークであるAdversarial Active Learning-based Heterogeneous Graph Neural Network(AA-HGNN)を提案する。 AA-HGNNは、特にラベル付きデータのあいまいさに直面している場合、学習性能を高めるためにアクティブな学習フレームワークを利用する。 2つの実世界のフェイクニュースデータセットによる実験により、我々のモデルはテキストベースのモデルや他のグラフベースのモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2021-01-27T05:05:25Z)
• Adversarial Attack on Community Detection by Hiding Individuals [68.76889102470203]
  我々はブラックボックス攻撃に焦点をあて、ディープグラフコミュニティ検出モデルの検出からターゲット個人を隠すことを目的としている。 本稿では,制約付きグラフ生成器として動作するモジュールと,サロゲート型コミュニティ検出モデルとして動作するモジュールを交互に更新する反復学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-01-22T09:50:04Z)

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。