論文の概要: Combination Of Convolution Neural Networks And Deep Neural Networks For
Fake News Detection
- arxiv url: http://arxiv.org/abs/2210.08331v1
- Date: Sat, 15 Oct 2022 16:32:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 19:53:49.259287
- Title: Combination Of Convolution Neural Networks And Deep Neural Networks For
Fake News Detection
- Title（参考訳）: フェイクニュース検出のための畳み込みニューラルネットワークとディープニューラルネットワークの組み合わせ
- Authors: Zainab A. Jawad, Ahmed J. Obaid
- Abstract要約: 我々は、フェイクニュースチャレンジのステージ#1データセットを説明し、フェイクニュース検知システムを構築するための競争的試みの概要を説明した。
提案システムは,不一致カテゴリを除くすべてのカテゴリを高精度に検出する。
その結果、このシステムは84.6%の精度を達成し、他の競合研究に基づいて第2位にランク付けされた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Nowadays, People prefer to follow the latest news on social media, as it is
cheap, easily accessible, and quickly disseminated. However, it can spread fake
or unreliable, low-quality news that intentionally contains false information.
The spread of fake news can have a negative effect on people and society. Given
the seriousness of such a problem, researchers did their best to identify
patterns and characteristics that fake news may exhibit to design a system that
can detect fake news before publishing. In this paper, we have described the
Fake News Challenge stage #1 (FNC-1) dataset and given an overview of the
competitive attempts to build a fake news detection system using the FNC-1
dataset. The proposed model was evaluated with the FNC-1 dataset. A competitive
dataset is considered an open problem and a challenge worldwide. This system's
procedure implies processing the text in the headline and body text columns
with different natural language processing techniques. After that, the
extracted features are reduced using the elbow truncated method, finding the
similarity between each pair using the soft cosine similarity method. The new
feature is entered into CNN and DNN deep learning approaches. The proposed
system detects all the categories with high accuracy except the disagree
category. As a result, the system achieves up to 84.6 % accuracy, classifying
it as the second ranking based on other competitive studies regarding this
dataset.
- Abstract（参考訳）: 現在、人々はソーシャルメディアで最新のニュースをフォローするのが好まれており、安価で簡単にアクセスでき、素早く普及している。
しかし、故意に偽情報を含む偽ニュースや信頼性の低い低品質ニュースを広めることができる。
偽ニュースの拡散は人や社会に悪影響を及ぼす可能性がある。
このような問題の深刻さを考えると、研究者たちは偽ニュースが出版前に偽ニュースを検知できるシステムを設計するために、偽ニュースが示す可能性のあるパターンや特徴を特定するために最善を尽くした。
本稿では,フェイクニュースチャレンジステージ#1(FNC-1)について述べるとともに,FNC-1データセットを用いたフェイクニュース検出システムの構築に向けた競争的試みの概要について述べる。
提案モデルはfnc-1データセットを用いて評価された。
競合するデータセットはオープンな問題であり、世界中の課題だと考えられている。
このシステムの手順は、ヘッドラインとボディテキスト列のテキストを異なる自然言語処理技術で処理することを意味する。
その後, 肘切り法を用いて抽出した特徴量を低減し, 軟質コサイン類似法を用いて各ペア間の類似性を求める。
新機能は、CNNとDNNのディープラーニングアプローチに組み込まれている。
提案システムは,不一致カテゴリを除くすべてのカテゴリを高精度に検出する。
その結果、システムは84.6パーセントの精度を達成し、このデータセットに関する他の競合研究に基づいて第2位に分類した。
関連論文リスト
- Multiverse: Multilingual Evidence for Fake News Detection [71.51905606492376]
Multiverseは、偽ニュースの検出に使用できる多言語エビデンスに基づく新機能である。
偽ニュース検出機能としての言語間証拠の使用仮説を確認した。
論文 参考訳（メタデータ） (2022-11-25T18:24:17Z) - UrduFake@FIRE2020: Shared Track on Fake News Identification in Urdu [62.6928395368204]
本稿では、ウルドゥー語における偽ニュース検出に関するFIRE 2020における最初の共有タスクの概要について述べる。
目標は、900の注釈付きニュース記事と400のニュース記事からなるデータセットを使って偽ニュースを特定することである。
データセットには、 (i) Health、 (ii) Sports、 (iii) Showbiz、 (iv) Technology、 (v) Businessの5つのドメインのニュースが含まれている。
論文 参考訳（メタデータ） (2022-07-25T03:46:51Z) - Overview of the Shared Task on Fake News Detection in Urdu at FIRE 2020 [62.6928395368204]
タスクはバイナリ分類タスクとして設定され、ゴールはリアルニュースとフェイクニュースを区別することである。
トレーニング用に900の注釈付きニュース記事とテスト用に400のニュース記事のデータセットを作成した。
6カ国(インド、中国、エジプト、ドイツ、パキスタン、イギリス)の42チームが登録された。
論文 参考訳（メタデータ） (2022-07-25T03:41:32Z) - Faking Fake News for Real Fake News Detection: Propaganda-loaded
Training Data Generation [105.20743048379387]
提案手法は,人間によるプロパガンダのスタイルや戦略から情報を得た学習例を生成するための新しいフレームワークである。
具体的には、生成した記事の有効性を確保するために、自然言語推論によって導かれる自己臨界シーケンストレーニングを行う。
実験の結果、PropaNewsでトレーニングされた偽ニュース検知器は、2つの公開データセットで3.62～7.69%のF1スコアで人書きの偽情報を検出するのに優れていることがわかった。
論文 参考訳（メタデータ） (2022-03-10T14:24:19Z) - 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) - DEAP-FAKED: Knowledge Graph based Approach for Fake News Detection [0.04834203844100679]
フェイクニュースを識別するためのノウレDgE grAPh FAKe nEws検出フレームワークを提案する。
私たちのアプローチは、ニュースコンテンツをエンコードするNLPと、知識グラフをエンコードするGNNテクニックを組み合わせたものです。
政治,ビジネス,技術,医療といった分野の記事を含む2つの公開データセットを用いて,我々のフレームワークを評価する。
論文 参考訳（メタデータ） (2021-07-04T07:09:59Z) - User Preference-aware Fake News Detection [61.86175081368782]
既存の偽ニュース検出アルゴリズムは、詐欺信号のニュースコンテンツをマイニングすることに焦点を当てている。
本稿では,共同コンテンツとグラフモデリングにより,ユーザの好みから様々な信号を同時にキャプチャする新しいフレームワークUPFDを提案する。
論文 参考訳（メタデータ） (2021-04-25T21:19:24Z) - A Heuristic-driven Uncertainty based Ensemble Framework for Fake News
Detection in Tweets and News Articles [5.979726271522835]
ニュース項目が「本物」か「偽」かを自動的に識別する新しい偽ニュース検出システムについて述べる。
我々は,事前学習したモデルと統計的特徴融合ネットワークからなるアンサンブルモデルを用いた。
提案手法は,分類タスクの適切なクラス出力信頼度レベルとともに,信頼性の高い予測不確実性を定量化した。
論文 参考訳（メタデータ） (2021-04-05T06:35:30Z) - Evaluating Deep Learning Approaches for Covid19 Fake News Detection [0.0]
データマイニングの観点から、偽ニュース検出の自動化技術を検討します。
Contraint@AAAI 2021 Covid-19 Fakeニュース検出データセットで異なる教師付きテキスト分類アルゴリズムを評価します。
Covid-19 Fakeニュース検出データセットで98.41%の最高の精度を報告する。
論文 参考訳（メタデータ） (2021-01-11T16:39:03Z) - Machine Learning Explanations to Prevent Overtrust in Fake News
Detection [64.46876057393703]
本研究では、ニュースレビュープラットフォームに組み込んだ説明可能なAIアシスタントが、フェイクニュースの拡散と戦う効果について検討する。
我々は、ニュースレビューと共有インターフェースを設計し、ニュース記事のデータセットを作成し、4つの解釈可能なフェイクニュース検出アルゴリズムを訓練する。
説明可能なAIシステムについてより深く理解するために、説明プロセスにおけるユーザエンゲージメント、メンタルモデル、信頼、パフォーマンス対策の相互作用について議論する。
論文 参考訳（メタデータ） (2020-07-24T05:42:29Z) - Graph Neural Networks with Continual Learning for Fake News Detection
from Social Media [18.928184473686567]
ソーシャルメディア上での偽ニュースと実ニュースの伝播パターンを区別するためにグラフニューラルネットワーク(GNN)を用いる。
テキスト情報に頼らずに、GNNがテキスト情報なしで同等または優れたパフォーマンスを達成できることが示される。
本稿では,GNNを漸進的に訓練するための連続学習技術を用いて,既存のデータセットと新しいデータセットの両方でバランスの取れた性能を実現する手法を提案する。
論文 参考訳（メタデータ） (2020-07-07T10:04:50Z)
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。