論文の概要: Improving Fake News Detection of Influential Domain via Domain- and Instance-Level Transfer

• arxiv url: http://arxiv.org/abs/2209.08902v1
• Date: Mon, 19 Sep 2022 10:21:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-20 16:06:28.442465
• Title: Improving Fake News Detection of Influential Domain via Domain- and Instance-Level Transfer
• Title（参考訳）: ドメインおよびインスタンスレベル転送によるインフルエンシャルドメインのフェイクニュース検出の改善
• Authors: Qiong Nan, Danding Wang, Yongchun Zhu, Qiang Sheng, Yuhui Shi, Juan Cao, Jintao Li
• Abstract要約: フェイクニュース検出(DITFEND)のためのドメインレベルおよびインスタンスレベルの転送フレームワークを提案する。 DITFENDは特定のターゲットドメインの性能を向上させることができる。 オンライン実験は、現実世界のシナリオにおいて、ベースモデルにさらなる改善をもたらすことを示している。
• 参考スコア（独自算出の注目度）: 16.886024206337257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Both real and fake news in various domains, such as politics, health, and entertainment are spread via online social media every day, necessitating fake news detection for multiple domains. Among them, fake news in specific domains like politics and health has more serious potential negative impacts on the real world (e.g., the infodemic led by COVID-19 misinformation). Previous studies focus on multi-domain fake news detection, by equally mining and modeling the correlation between domains. However, these multi-domain methods suffer from a seesaw problem: the performance of some domains is often improved at the cost of hurting the performance of other domains, which could lead to an unsatisfying performance in specific domains. To address this issue, we propose a Domain- and Instance-level Transfer Framework for Fake News Detection (DITFEND), which could improve the performance of specific target domains. To transfer coarse-grained domain-level knowledge, we train a general model with data of all domains from the meta-learning perspective. To transfer fine-grained instance-level knowledge and adapt the general model to a target domain, we train a language model on the target domain to evaluate the transferability of each data instance in source domains and re-weigh each instance's contribution. Offline experiments on two datasets demonstrate the effectiveness of DITFEND. Online experiments show that DITFEND brings additional improvements over the base models in a real-world scenario.
• Abstract（参考訳）: 政治、健康、エンターテイメントといった各分野のリアルニュースとフェイクニュースは、毎日オンラインソーシャルメディアを通じて拡散し、複数のドメインでフェイクニュースを検出する必要がある。 その中でも、政治や健康といった特定のドメインにおける偽ニュースは、現実世界に深刻な悪影響を及ぼす可能性がある(例えば、covid-19の誤った情報によって引き起こされる情報デミック)。 以前の研究では、ドメイン間の相関を等しくマイニングしモデリングすることで、マルチドメインのフェイクニュース検出に焦点を当てている。 しかし、これらのマルチドメインメソッドはシーソー問題に苦しんでおり、あるドメインのパフォーマンスは、他のドメインのパフォーマンスを損なうコストで改善され、特定のドメインで性能が低下する可能性がある。 この問題に対処するために、特定の対象ドメインの性能を向上させることができる、フェイクニュース検出のためのドメインレベルとインスタンスレベルの転送フレームワーク(DITFEND)を提案する。 粗いドメインレベルの知識を伝達するために、メタラーニングの観点から、すべてのドメインのデータで一般的なモデルを訓練する。 きめ細かいインスタンスレベルの知識を転送し、汎用モデルをターゲットドメインに適応させるために、対象ドメインの言語モデルをトレーニングして、ソースドメイン内の各データインスタンスの転送可能性を評価し、各インスタンスの貢献を再強化します。 2つのデータセットのオフライン実験はDITFENDの有効性を示している。 オンライン実験によると、DITFENDは現実世界のシナリオでベースモデルにさらなる改善をもたらす。

関連論文リスト

• DPOD: Domain-Specific Prompt Tuning for Multimodal Fake News Detection [15.599951180606947]
  文脈外画像を用いたフェイクニュースが広まり、情報過負荷の時代における問題となっている。 ドメイン外データが、所望のドメインのコンテキスト外誤情報検出を改善するのに役立つかどうかを検討する。 DPOD (Domain-specific Prompt-tuning using Out-of-Domain data) と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-27T08:49:26Z)
• Robust Domain Misinformation Detection via Multi-modal Feature Alignment [49.89164555394584]
  マルチモーダルな誤情報検出のための頑健なドメインとクロスモーダルなアプローチを提案する。 テキストと視覚の共役分布を整列させることにより、ドメインシフトを低減する。 また,ドメイン一般化のアプリケーションシナリオを同時に検討するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-24T07:06:16Z)
• A Collaborative Transfer Learning Framework for Cross-domain Recommendation [12.880177078884927]
  推薦システムには、ユーザの多様な関心やニーズを満たすための複数のビジネスドメインが存在する。 本稿では,これらの課題を克服するために,協調的クロスドメイン・トランスファー学習フレームワーク(CCTL)を提案する。 CCTLは、対称コンパニオンネットワークを用いて、ターゲットドメイン上のソースドメインの情報ゲインを評価する。
  論文  参考訳（メタデータ） (2023-06-26T09:43:58Z)
• Memory-Guided Multi-View Multi-Domain Fake News Detection [39.035462224569166]
  メモリ誘導型マルチドメインフェイクニュース検出フレームワーク(M$3$FEND)を提案する。 具体的には、潜在的なドメインラベルを発見可能なドメイン情報を強化するためのドメインメモリバンクを提案する。 リッチなドメイン情報を入力として使用することで、ドメインアダプタは、さまざまなドメインのニュースに対する複数のビューから識別情報を適応的に集約することができる。
  論文  参考訳（メタデータ） (2022-06-26T07:09:23Z)
• MDFEND: Multi-domain Fake News Detection [15.767582764441627]
  本稿では、ドメインゲートを利用して複数の専門家が抽出した複数の表現を集約し、効果的なマルチドメインフェイクニュース検出モデル(MDFEND)を提案する。 実験の結果,MDFENDはマルチドメインフェイクニュース検出の性能を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2022-01-04T05:28:25Z)
• Open Domain Generalization with Domain-Augmented Meta-Learning [83.59952915761141]
  オープンドメイン一般化(OpenDG)の新しい実践的問題について研究する。 本稿では,オープンドメイン一般化表現を学ぶためのメタ学習フレームワークを提案する。 種々のマルチドメインデータセットの実験結果から、提案したドメイン拡張メタラーニング(DAML)が、未確認ドメイン認識の先行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） (2021-04-08T09:12:24Z)
• Domain2Vec: Domain Embedding for Unsupervised Domain Adaptation [56.94873619509414]
  従来の教師なしドメイン適応は、限られた数のドメイン間の知識伝達を研究する。 本稿では,特徴不整合とグラム行列の連成学習に基づいて,視覚領域のベクトル表現を提供する新しいDomain2Vecモデルを提案する。 我々の埋め込みは、異なるドメイン間の視覚的関係に関する直感と一致するドメイン類似性を予測できることを示した。
  論文  参考訳（メタデータ） (2020-07-17T22:05:09Z)
• Domain Adaptation for Semantic Parsing [68.81787666086554]
  本稿では,ドメイン適応のための新しいセマンティクスを提案する。このセマンティクスでは,ソースドメインと比較して,対象ドメインのアノテーション付きデータがはるかに少ない。 我々のセマンティックな利点は、2段階の粗大なフレームワークから得ており、2段階の異なる正確な処理を提供できる。 ベンチマークデータセットの実験により、我々の手法はいくつかの一般的なドメイン適応戦略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） (2020-06-23T14:47:41Z)
• Multi-Domain Spoken Language Understanding Using Domain- and Task-Aware Parameterization [78.93669377251396]
  音声言語理解は、各ドメインでトレーニングデータのセットが利用できる教師付き学習問題として対処されてきた。 既存の1つのアプローチは、ドメイン間の共同トレーニングに共有パラメータを使用して、マルチドメイン学習を行うことによって、この問題を解決する。 本稿では,ドメイン固有モデルパラメータとタスク固有モデルパラメータを用いて,この手法のパラメータ化を改善することを提案する。
  論文  参考訳（メタデータ） (2020-04-30T15:15:40Z)
• Dynamic Fusion Network for Multi-Domain End-to-end Task-Oriented Dialog [70.79442700890843]
  本稿では,対象ドメインと各ドメインの関連性を自動的に活用する新しい動的核融合ネットワーク(DF-Net)を提案する。 トレーニングデータが少ないと、平均13.9%の事前最良モデルを上回り、転送可能性を示す。
  論文  参考訳（メタデータ） (2020-04-23T08:17:22Z)

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。