論文の概要: Open-Domain Event Graph Induction for Mitigating Framing Bias

• arxiv url: http://arxiv.org/abs/2305.12835v1
• Date: Mon, 22 May 2023 08:57:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-23 17:20:19.640695
• Title: Open-Domain Event Graph Induction for Mitigating Framing Bias
• Title（参考訳）: フラーミングバイアスの緩和のためのオープンドメインイベントグラフ誘導
• Authors: Siyi Liu, Hongming Zhang, Hongwei Wang, Kaiqiang Song, Dan Roth, Dong Yu
• Abstract要約: フレーミングバイアスの研究と特定は、信頼できるイベント理解への重要なステップである、と我々は主張する。 この問題に対処するために、ニュートラルイベントグラフ誘導という新しいタスクを提案する。 我々の課題は、オープンドメインにおいて最小限のフレーミングバイアスでそのような構造的知識を誘導することである。
• 参考スコア（独自算出の注目度）: 89.46744219887005
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Researchers have proposed various information extraction (IE) techniques to convert news articles into structured knowledge for news understanding. However, none of the existing methods have explicitly addressed the issue of framing bias that is inherent in news articles. We argue that studying and identifying framing bias is a crucial step towards trustworthy event understanding. We propose a novel task, neutral event graph induction, to address this problem. An event graph is a network of events and their temporal relations. Our task aims to induce such structural knowledge with minimal framing bias in an open domain. We propose a three-step framework to induce a neutral event graph from multiple input sources. The process starts by inducing an event graph from each input source, then merging them into one merged event graph, and lastly using a Graph Convolutional Network to remove event nodes with biased connotations. We demonstrate the effectiveness of our framework through the use of graph prediction metrics and bias-focused metrics.
• Abstract（参考訳）: 研究者は、ニュース記事からニュース理解のための構造化知識に変換する様々な情報抽出(ie)手法を提案している。 しかし、既存の手法はいずれも、ニュース記事に固有のフレーミングバイアスの問題に明示的に対処していない。 フレーミングバイアスの研究と識別は、信頼できるイベント理解への重要なステップであると主張する。 この問題に対処するために、ニュートラルイベントグラフ誘導という新しいタスクを提案する。 イベントグラフは、イベントとその時間的関係のネットワークである。 我々の課題は、オープンドメインにおいて最小限のフレーミングバイアスでそのような構造的知識を誘導することである。 複数の入力源から中性事象グラフを誘導する3段階のフレームワークを提案する。 プロセスはまず、各入力ソースからイベントグラフを誘導し、マージしたイベントグラフにマージし、最後にグラフ畳み込みネットワークを使用してバイアスのある意味を持つイベントノードを削除する。 本稿では,グラフ予測指標とバイアス集中指標を用いて,フレームワークの有効性を示す。

関連論文リスト

• Sentence-level Media Bias Analysis with Event Relation Graph [18.351777831207965]
  メディアバイアスを文レベルで識別し,読者の意見に反する偏見文をピンポイントで特定する。 特に、偏見文中の事象は、文書内の他の事象と関連して理解する必要があることを観察する。 本稿では,文レベルのバイアス識別のための事象と事象の関係性を明確に推論するために,事象関係グラフを構築することを提案する。
  論文  参考訳（メタデータ） (2024-04-02T08:16:03Z)
• Identifying Conspiracy Theories News based on Event Relation Graph [21.680194418287197]
  我々は、ニュース記事が陰謀論を含むかどうかを特定することを目的とする。 物語における出来事の文脈的理解を得ることは陰謀論を検出するのに不可欠である。
  論文  参考訳（メタデータ） (2023-10-28T00:27:21Z)
• You Only Transfer What You Share: Intersection-Induced Graph Transfer Learning for Link Prediction [79.15394378571132]
  従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。 より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。 この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
  論文  参考訳（メタデータ） (2023-02-27T22:56:06Z)
• Rethinking Explaining Graph Neural Networks via Non-parametric Subgraph Matching [68.35685422301613]
  そこで我々はMatchExplainerと呼ばれる新しい非パラメトリックな部分グラフマッチングフレームワークを提案し、説明的部分グラフを探索する。 ターゲットグラフと他のインスタンスを結合し、ノードに対応する距離を最小化することで最も重要な結合部分構造を識別する。 合成および実世界のデータセットの実験は、最先端のパラメトリックベースラインをかなりのマージンで上回り、MatchExplainerの有効性を示す。
  論文  参考訳（メタデータ） (2023-01-07T05:14:45Z)
• Evidential Temporal-aware Graph-based Social Event Detection via Dempster-Shafer Theory [76.4580340399321]
  ETGNN(Evidential Temporal-aware Graph Neural Network)を提案する。 ノードがテキストであり、エッジがそれぞれ複数の共有要素によって決定されるビュー固有グラフを構築する。 ビュー固有の不確実性を考慮すると、すべてのビューの表現は、明らかなディープラーニング(EDL)ニューラルネットワークを介してマス関数に変換される。
  論文  参考訳（メタデータ） (2022-05-24T16:22:40Z)
• Deconfounded Training for Graph Neural Networks [98.06386851685645]
  本稿では, コンバウンディング効果を緩和し, 臨界情報に対するラッチを緩和する新しいDecon Training(DTP)のパラダイムを提案する。 具体的には、注意モジュールを用いて臨界部分グラフと自明部分グラフをアンタングル化する。 これにより、GNNは、ラベルとの関係が複数のディストリビューションで堅牢である、より信頼性の高いサブグラフをキャプチャできる。
  論文  参考訳（メタデータ） (2021-12-30T15:22:35Z)
• Controversy Detection: a Text and Graph Neural Network Based Approach [0.0]
  論争の内容は、ポジティブとネガティブの両方のフィードバックを惹きつけるあらゆるコンテンツを指す。 既存のアプローチのほとんどは、トピックのディスカッションやメッセージの内容のグラフ構造に依存しています。 本稿では,議論のグラフ構造とテキストの特徴に基づく論争検出手法を提案する。
  論文  参考訳（メタデータ） (2021-12-03T09:06:46Z)
• 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)

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。