論文の概要: MetaAdapt: Domain Adaptive Few-Shot Misinformation Detection via Meta Learning

• arxiv url: http://arxiv.org/abs/2305.12692v1
• Date: Mon, 22 May 2023 04:00:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-23 18:37:55.624522
• Title: MetaAdapt: Domain Adaptive Few-Shot Misinformation Detection via Meta Learning
• Title（参考訳）: MetaAdapt:メタ学習によるドメイン適応型Few-Shot誤情報検出
• Authors: Zhenrui Yue, Huimin Zeng, Yang Zhang, Lanyu Shang, Dong Wang
• Abstract要約: 本稿ではメタ学習に基づくメタアダプティブ(メタアダプティブ)を提案する。 特に、複数のソースタスクで初期モデルをトレーニングし、メタタスクとの類似性スコアを計算する。 そのため、MetaAdaptは、誤情報検出モデルに適応する方法を学び、ソースデータを利用してターゲットドメインのパフォーマンスを改善することができる。
• 参考スコア（独自算出の注目度）: 10.554043875365155
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With emerging topics (e.g., COVID-19) on social media as a source for the spreading misinformation, overcoming the distributional shifts between the original training domain (i.e., source domain) and such target domains remains a non-trivial task for misinformation detection. This presents an elusive challenge for early-stage misinformation detection, where a good amount of data and annotations from the target domain is not available for training. To address the data scarcity issue, we propose MetaAdapt, a meta learning based approach for domain adaptive few-shot misinformation detection. MetaAdapt leverages limited target examples to provide feedback and guide the knowledge transfer from the source to the target domain (i.e., learn to adapt). In particular, we train the initial model with multiple source tasks and compute their similarity scores to the meta task. Based on the similarity scores, we rescale the meta gradients to adaptively learn from the source tasks. As such, MetaAdapt can learn how to adapt the misinformation detection model and exploit the source data for improved performance in the target domain. To demonstrate the efficiency and effectiveness of our method, we perform extensive experiments to compare MetaAdapt with state-of-the-art baselines and large language models (LLMs) such as LLaMA, where MetaAdapt achieves better performance in domain adaptive few-shot misinformation detection with substantially reduced parameters on real-world datasets.
• Abstract（参考訳）: 誤情報の拡散源としてのソーシャルメディア上の新たな話題(例:covid-19)により、元のトレーニングドメイン(例:ソースドメイン)とそのようなターゲットドメインの分散シフトを克服することは、誤情報検出の非自明なタスクである。 これは、ターゲットドメインからの大量のデータやアノテーションがトレーニングに利用できない、初期段階の誤情報検出における明確な課題である。 そこで本研究では,データ不足問題に対処するために,ドメイン適応型マイナショット情報検出のためのメタ学習に基づくアプローチであるmetaadaptを提案する。 metaadaptは限られたターゲット例を活用してフィードバックを提供し、ソースからターゲットドメインへの知識伝達(つまり、適応することを学ぶ)を導く。 特に、複数のソースタスクで初期モデルをトレーニングし、それらの類似度スコアをメタタスクと計算します。 類似度スコアに基づいてメタグラデーションを再スケールし、ソースタスクから適応的に学習する。 そこでMetaAdaptは、誤情報検出モデルに適応する方法を学び、ソースデータを利用してターゲットドメインのパフォーマンスを改善する。 提案手法の効率性と有効性を示すために,メタ適応と最先端のベースラインとllamaなどの大規模言語モデル(llm)を比較し,実世界のデータセットのパラメータを実質的に削減した,ドメイン適応型少数ショット誤情報検出において,メタ適応が優れた性能を達成することを示す。

関連論文リスト

• Learn from the Learnt: Source-Free Active Domain Adaptation via Contrastive Sampling and Visual Persistence [60.37934652213881]
  ドメイン適応(DA)は、ソースドメインから関連するターゲットドメインへの知識伝達を容易にする。 本稿では、ソースデータフリーなアクティブドメイン適応(SFADA)という実用的なDAパラダイムについて検討する。 本稿では,学習者学習(LFTL)というSFADAの新たなパラダイムを紹介し,学習した学習知識を事前学習モデルから活用し,余分なオーバーヘッドを伴わずにモデルを積極的に反復する。
  論文  参考訳（メタデータ） (2024-07-26T17:51:58Z)
• Subject-Based Domain Adaptation for Facial Expression Recognition [51.10374151948157]
  ディープラーニングモデルを特定の対象個人に適用することは、難しい表情認識タスクである。 本稿では、FERにおける主観的ドメイン適応のための新しいMSDA手法を提案する。 複数の情報源からの情報を効率的に利用して、ディープFERモデルを単一のターゲット個人に適応させる。
  論文  参考訳（メタデータ） (2023-12-09T18:40:37Z)
• Informative Data Mining for One-Shot Cross-Domain Semantic Segmentation [84.82153655786183]
  Informative Data Mining (IDM) と呼ばれる新しいフレームワークを提案し、セマンティックセグメンテーションのための効率的なワンショットドメイン適応を実現する。 IDMは、最も情報性の高いサンプルを特定するために不確実性に基づく選択基準を提供し、迅速に適応し、冗長なトレーニングを減らす。 提案手法は,GTA5/SYNTHIAからCityscapesへの適応タスクにおいて,既存の手法より優れ,56.7%/55.4%の最先端のワンショット性能を実現している。
  論文  参考訳（メタデータ） (2023-09-25T15:56:01Z)
• Post-Deployment Adaptation with Access to Source Data via Federated Learning and Source-Target Remote Gradient Alignment [8.288631856590165]
  デプロイ後適応(PDA)は、トレーニング済みのデプロイされたモデルをターゲットデータディストリビューションに調整することで、この問題に対処する。 PDAは、プライバシ上の懸念から、モデルでデプロイできないため、ソーストレーニングデータへのアクセスを前提としない。 本稿では,フェデレートラーニングの遠隔データからPDAに学習の有用性をもたらす新しい適応フレームワークであるFedPDAを紹介する。
  論文  参考訳（メタデータ） (2023-08-31T13:52:28Z)
• Instance Relation Graph Guided Source-Free Domain Adaptive Object Detection [79.89082006155135]
  教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ドメインシフトの問題に取り組むための効果的なアプローチである。 UDAメソッドは、ターゲットドメインの一般化を改善するために、ソースとターゲット表現を整列させようとする。 Source-Free Adaptation Domain (SFDA)設定は、ソースデータへのアクセスを必要とせずに、ターゲットドメインに対してソーストレーニングされたモデルを適用することで、これらの懸念を軽減することを目的としている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:43Z)
• On-target Adaptation [82.77980951331854]
  ドメイン適応は、Emphtargetドメインでのトレーニングとテストの間のシフトを軽減することを目指している。 ほとんどの適応法は、ソースデータとターゲットデータに対する共同最適化によるソースデータに依存している。 対象データから純粋に表現を学習するオン・ターゲット適応による大幅な改善を示す。
  論文  参考訳（メタデータ） (2021-09-02T17:04:18Z)
• Source Data-absent Unsupervised Domain Adaptation through Hypothesis Transfer and Labeling Transfer [137.36099660616975]
  Unsupervised Adapt Adaptation (UDA) は、関連性のある異なるラベル付きソースドメインから新しいラベルなしターゲットドメインへの知識の転送を目標としている。 既存のudaメソッドの多くはソースデータへのアクセスを必要としており、プライバシ上の懸念からデータが機密で共有できない場合は適用できない。 本稿では、ソースデータにアクセスする代わりに、トレーニング済みの分類モデルのみを用いて現実的な設定に取り組むことを目的とする。
  論文  参考訳（メタデータ） (2020-12-14T07:28:50Z)
• Transfer Meta-Learning: Information-Theoretic Bounds and Information Meta-Risk Minimization [47.7605527786164]
  メタ学習は、複数の関連するタスクからのデータを観察し、誘導バイアスを自動的に推論する。 本稿では,メタテスト中に目標タスク環境からタスクを抽出するトランスファーメタラーニングの問題を紹介する。
  論文  参考訳（メタデータ） (2020-11-04T12:55:43Z)

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。