論文の概要: Learn over Past, Evolve for Future: Forecasting Temporal Trends for Fake News Detection

• arxiv url: http://arxiv.org/abs/2306.14728v1
• Date: Mon, 26 Jun 2023 14:29:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-27 13:18:11.671341
• Title: Learn over Past, Evolve for Future: Forecasting Temporal Trends for Fake News Detection
• Title（参考訳）: 過去と未来を学ぶ:フェイクニュース検出のための時間トレンド予測
• Authors: Beizhe Hu, Qiang Sheng, Juan Cao, Yongchun Zhu, Danding Wang, Zhengjia Wang, Zhiwei Jin
• Abstract要約: 我々は、ニュースデータの時間分布パターンを予測できる効果的なフレームワークFTT(Forecasting Temporal Trends)を設計する。 実世界の時間分割データセットの実験は、提案フレームワークの優位性を実証している。
• 参考スコア（独自算出の注目度）: 14.271593690271136
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Fake news detection has been a critical task for maintaining the health of the online news ecosystem. However, very few existing works consider the temporal shift issue caused by the rapidly-evolving nature of news data in practice, resulting in significant performance degradation when training on past data and testing on future data. In this paper, we observe that the appearances of news events on the same topic may display discernible patterns over time, and posit that such patterns can assist in selecting training instances that could make the model adapt better to future data. Specifically, we design an effective framework FTT (Forecasting Temporal Trends), which could forecast the temporal distribution patterns of news data and then guide the detector to fast adapt to future distribution. Experiments on the real-world temporally split dataset demonstrate the superiority of our proposed framework. The code is available at https://github.com/ICTMCG/FTT-ACL23.
• Abstract（参考訳）: 偽ニュース検出は、オンラインニュースエコシステムの健全性を維持する上で重要な課題である。 しかし、ニュースデータの急速な進化によって生じる時間的シフトの問題を考える研究はほとんどなく、過去のデータに対するトレーニングや将来のデータに対するテストでは、大幅な性能低下が生じる。 本稿では,同一トピックにおけるニュースイベントの出現が,時間とともに識別可能なパターンを示す可能性があることを観察し,そのパターンが,モデルが将来のデータに適合するトレーニングインスタンスを選択するのに役立つことを実証する。 具体的には,ニュースデータの時間分布パターンを予測可能な効果的なフレームワークftt (forecasting temporal trends) を設計し,検出器の今後の分布への迅速な適応を誘導する。 実世界の時間分割データセットの実験は、提案フレームワークの優位性を実証している。 コードはhttps://github.com/ictmcg/ftt-acl23で入手できる。

関連論文リスト

• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• A Survey of Deep Graph Learning under Distribution Shifts: from Graph Out-of-Distribution Generalization to Adaptation [59.14165404728197]
  我々は,分散シフト下での深層グラフ学習について,最新かつ先見的なレビューを行う。 具体的には,グラフ OOD 一般化,トレーニング時グラフ OOD 適応,テスト時グラフ OOD 適応の3つのシナリオについて述べる。 文献の理解を深めるために,提案した分類に基づく既存モデルを体系的に分類した。
  論文  参考訳（メタデータ） (2024-10-25T02:39:56Z)
• From News to Forecast: Integrating Event Analysis in LLM-Based Time Series Forecasting with Reflection [16.47323362700347]
  本稿では,テキストデータと時系列データの両方を解析することで時系列予測を強化する新しい手法を提案する。 言語を媒体として,社会イベントを予測モデルに適応的に統合し,ニュースコンテンツと時系列のゆらぎを一致させてより豊かな洞察を提供する。 具体的には、LSMをベースとしたエージェントを用いて、無関係なニュースを反復的にフィルタリングし、人間ライクな推論を用いて予測を評価する。
  論文  参考訳（メタデータ） (2024-09-26T03:50:22Z)
• Probing the Robustness of Time-series Forecasting Models with CounterfacTS [1.823020744088554]
  我々は,時系列予測タスクにおけるディープラーニングモデルの堅牢性を調査するツールであるCounterfacTSを提示し,公開する。 CounterfacTSにはユーザフレンドリーなインターフェースがあり、時系列データとその予測を視覚化、比較、定量化することができる。
  論文  参考訳（メタデータ） (2024-03-06T07:34:47Z)
• HIP Network: Historical Information Passing Network for Extrapolation Reasoning on Temporal Knowledge Graph [14.832067253514213]
  今後の出来事を予測するために,歴史情報伝達(HIP)ネットワークを提案する。 本手法では,関係表現の更新を考慮し,上記の次元に対応する3つのスコアリング関数を採用する。 5つのベンチマークデータセットの実験結果は、HIPネットワークの優位性を示している。
  論文  参考訳（メタデータ） (2024-02-19T11:50:30Z)
• VIBE: Topic-Driven Temporal Adaptation for Twitter Classification [9.476760540618903]
  我々は、過去のデータに基づいてトレーニングされたモデルが将来テストされる時間適応について研究する。 我々のモデルは、わずか3%のデータしか持たないが、従来の最先端の継続的な事前学習方法よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2023-10-16T08:53:57Z)
• Diverse Data Augmentation with Diffusions for Effective Test-time Prompt Tuning [73.75282761503581]
  DiffTPTを提案する。DiffTPTは,事前学習した拡散モデルを用いて,多種多様な情報データを生成する。 DiffTPTがゼロショット精度を平均5.13%向上することを示す。
  論文  参考訳（メタデータ） (2023-08-11T09:36:31Z)
• Correlated Time Series Self-Supervised Representation Learning via Spatiotemporal Bootstrapping [13.988624652592259]
  時系列分析は多くの実業界で重要な役割を担っている。 本稿では,個別インスタンスを対象とした時間段階表現学習フレームワークを提案する。 学習した表現の上に訓練された線形回帰モデルにより、ほとんどの場合、我々のモデルは最高のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2023-06-12T09:42:16Z)
• Time-Varying Propensity Score to Bridge the Gap between the Past and Present [104.46387765330142]
  本稿では,データ分布の段階的変化を検出するための時間変化確率スコアを提案する。 実装のさまざまな方法を示し、さまざまな問題について評価する。
  論文  参考訳（メタデータ） (2022-10-04T07:21:49Z)
• Networked Time Series Prediction with Incomplete Data [59.45358694862176]
  我々は、歴史と未来の両方で欠落した値を持つ不完全なデータでトレーニングできる新しいディープラーニングフレームワークであるNetS-ImpGANを提案する。 3つの実世界のデータセットに対して、異なるパターンと欠落率で広範な実験を行う。
  論文  参考訳（メタデータ） (2021-10-05T18:20:42Z)
• Hidden Biases in Unreliable News Detection Datasets [60.71991809782698]
  データ収集中の選択バイアスがデータセットの望ましくないアーティファクトにつながることを示す。 クリーンスプリットでテストされたすべてのモデルに対して,列車/テストソースの重なりが無く,精度が大幅に低下した(>10%)。 将来的なデータセット生成には、困難/バイアスプローブとしての単純なモデルと、クリーンな非重複サイトと日付分割を使用する将来のモデル開発が含まれることを提案する。
  論文  参考訳（メタデータ） (2021-04-20T17:16:41Z)

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。