論文の概要: No Place to Hide: Dual Deep Interaction Channel Network for Fake News
Detection based on Data Augmentation
- arxiv url: http://arxiv.org/abs/2303.18049v1
- Date: Fri, 31 Mar 2023 13:33:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-03 13:55:23.952783
- Title: No Place to Hide: Dual Deep Interaction Channel Network for Fake News
Detection based on Data Augmentation
- Title（参考訳）: 隠れる場所がない:データ拡張に基づく偽ニュース検出のためのデュアルディープインタラクションチャネルネットワーク
- Authors: Biwei Cao, Lulu Hua, Jiuxin Cao, Jie Gui, Bo Liu and James Tin-Yau
Kwok
- Abstract要約: 本稿では,意味,感情,データ強化の観点から,偽ニュース検出のための新しいフレームワークを提案する。
セマンティックと感情の2つのディープインタラクションチャネルネットワークは、より包括的できめ細かなニュース表現を得るために設計されている。
実験の結果,提案手法は最先端手法よりも優れていることがわかった。
- 参考スコア（独自算出の注目度）: 16.40196904371682
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Online Social Network (OSN) has become a hotbed of fake news due to the low
cost of information dissemination. Although the existing methods have made many
attempts in news content and propagation structure, the detection of fake news
is still facing two challenges: one is how to mine the unique key features and
evolution patterns, and the other is how to tackle the problem of small samples
to build the high-performance model. Different from popular methods which take
full advantage of the propagation topology structure, in this paper, we propose
a novel framework for fake news detection from perspectives of semantic,
emotion and data enhancement, which excavates the emotional evolution patterns
of news participants during the propagation process, and a dual deep
interaction channel network of semantic and emotion is designed to obtain a
more comprehensive and fine-grained news representation with the consideration
of comments. Meanwhile, the framework introduces a data enhancement module to
obtain more labeled data with high quality based on confidence which further
improves the performance of the classification model. Experiments show that the
proposed approach outperforms the state-of-the-art methods.
- Abstract（参考訳）: オンラインソーシャルネットワーク(OSN)は、情報の拡散のコストが低いため、フェイクニュースの温床となっている。
既存の手法では、ニュースコンテンツや伝播構造において多くの試みがなされているが、フェイクニュースの検出には、ユニークな特徴や進化パターンのマイニング方法と、高性能なモデルを構築するための小さなサンプルの問題への対処方法の2つの課題がある。
Different from popular methods which take full advantage of the propagation topology structure, in this paper, we propose a novel framework for fake news detection from perspectives of semantic, emotion and data enhancement, which excavates the emotional evolution patterns of news participants during the propagation process, and a dual deep interaction channel network of semantic and emotion is designed to obtain a more comprehensive and fine-grained news representation with the consideration of comments.
一方、信頼性に基づいてラベル付きデータを高い品質で得るためのデータ拡張モジュールを導入し、分類モデルの性能をさらに向上させる。
実験の結果,提案手法は最先端手法よりも優れていることがわかった。
関連論文リスト
- Epidemiology-informed Network for Robust Rumor Detection [59.89351792706995]
本稿では, 疫学知識を統合し, 性能を高めるための新しい疫学情報ネットワーク(EIN)を提案する。
疫学理論をうわさ検出に適応させるため,各利用者が情報源情報に対する姿勢を付加することが期待されている。
実験結果から,提案したEINは実世界のデータセット上で最先端の手法より優れるだけでなく,樹木の深度にまたがる堅牢性も向上することが示された。
論文 参考訳（メタデータ） (2024-11-20T00:43:32Z) - Less is More: Unseen Domain Fake News Detection via Causal Propagation Substructures [13.80520305397377]
本稿では,Causal Subgraph-oriented Domain Adaptive Fake News Detectionモデルを提案する。
伝播グラフから因果部分構造を抽出することにより、ゼロショットフェイクニュースの検出を強化するように設計されている。
他の最先端モデルに比べて7～16パーセントの精度向上を実現している。
論文 参考訳（メタデータ） (2024-11-14T12:05:35Z) - MSynFD: Multi-hop Syntax aware Fake News Detection [27.046529059563863]
ソーシャルメディアプラットフォームは、偽ニュースを急速に拡散させ、われわれの現実社会に脅威を与えている。
既存の方法は、フェイクニュースの検出を強化するために、マルチモーダルデータまたはコンテキスト情報を使用する。
本稿では,偽ニュースの微妙なひねりに対処するための補完構文情報を含む,新しいマルチホップ構文認識型偽ニュース検出手法を提案する。
論文 参考訳（メタデータ） (2024-02-18T05:40:33Z) - NPVForensics: Jointing Non-critical Phonemes and Visemes for Deepfake
Detection [50.33525966541906]
既存のマルチモーダル検出手法は、Deepfakeビデオを公開するために、音声と視覚の不整合をキャプチャする。
NPVForensics と呼ばれる非臨界音素とビセムの相関関係を抽出する新しいディープフェイク検出法を提案する。
我々のモデルは、微調整で下流のDeepfakeデータセットに容易に適応できる。
論文 参考訳（メタデータ） (2023-06-12T06:06:05Z) - Nothing Stands Alone: Relational Fake News Detection with Hypergraph
Neural Networks [49.29141811578359]
本稿では,ニュース間のグループ間相互作用を表現するためにハイパーグラフを活用することを提案する。
提案手法は,ラベル付きニュースデータの小さなサブセットであっても,優れた性能を示し,高い性能を維持する。
論文 参考訳（メタデータ） (2022-12-24T00:19:32Z) - 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) - Modelling Social Context for Fake News Detection: A Graph Neural Network
Based Approach [0.39146761527401425]
フェイクニュースの検出は、情報の信頼性を確保し、ニュースエコシステムの信頼性を維持するために不可欠である。
本稿では,ハイブリッドグラフニューラルネットワークによる偽ニュース検出の社会的文脈を解析した。
論文 参考訳（メタデータ） (2022-07-27T12:58:33Z) - Fake News Detection with Heterogeneous Transformer [13.804363799338613]
本稿では,ソーシャルネットワーク上での偽ニュース検出問題を解決するために,新しいトランスフォーマーモデルHetTransformerを提案する。
まず、ソーシャルネットワークにおけるニュース、ポスト、ユーザーエンティティの局所的な異種意味を捉えます。
次に,トランスフォーマーを用いて,ソーシャルネットワークにおける伝播パターンのグローバルな構造表現を捉え,フェイクニュース検出を行う。
論文 参考訳（メタデータ） (2022-05-06T09:31:23Z) - 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) - Multimodal Emergent Fake News Detection via Meta Neural Process Networks [36.52739834391597]
本稿では,MetaFENDというフェイクニュース検出フレームワークを提案する。
具体的には、メタラーニングとニューラルプロセスの手法を統合したモデルを提案する。
TwitterとWeiboから収集したマルチメディアデータセットに対して、大規模な実験が行われた。
論文 参考訳（メタデータ） (2021-06-22T21:21:29Z) - Leveraging Multi-Source Weak Social Supervision for Early Detection of
Fake News [67.53424807783414]
ソーシャルメディアは、人々が前例のない速度でオンライン活動に参加することを可能にする。
この制限のないアクセスは、誤情報や偽ニュースの拡散を悪化させ、その緩和のために早期に検出されない限り混乱と混乱を引き起こす可能性がある。
ソーシャルエンゲージメントからの弱い信号とともに、限られた量のクリーンデータを活用して、メタラーニングフレームワークでディープニューラルネットワークをトレーニングし、さまざまな弱いインスタンスの品質を推定します。
実世界のデータセットの実験では、提案されたフレームワークは、予測時にユーザーエンゲージメントを使わずに、フェイクニュースを早期に検出するための最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2020-04-03T18:26:33Z)
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。