論文の概要: Rumor Detection with Diverse Counterfactual Evidence

• arxiv url: http://arxiv.org/abs/2307.09296v1
• Date: Tue, 18 Jul 2023 14:37:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-19 14:25:14.790607
• Title: Rumor Detection with Diverse Counterfactual Evidence
• Title（参考訳）: 多様な反事実証拠を用いたうわさ検出
• Authors: Kaiwei Zhang, Junchi Yu, Haichao Shi, Jian Liang, Xiao-Yu Zhang
• Abstract要約: ソーシャルメディアは、個人やコミュニティに対する偽ニュースの脅威を悪化させている。 一般的なアプローチは、噂の拡散プロセスの伝播後のパターンを利用するために、グラフニューラルネットワーク(GNN)を利用する。 DCE-RD(Diverse Counterfactal Evidence framework for Rumor Detection)を提案する。
• 参考スコア（独自算出の注目度）: 32.746912322365525
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The growth in social media has exacerbated the threat of fake news to individuals and communities. This draws increasing attention to developing efficient and timely rumor detection methods. The prevailing approaches resort to graph neural networks (GNNs) to exploit the post-propagation patterns of the rumor-spreading process. However, these methods lack inherent interpretation of rumor detection due to the black-box nature of GNNs. Moreover, these methods suffer from less robust results as they employ all the propagation patterns for rumor detection. In this paper, we address the above issues with the proposed Diverse Counterfactual Evidence framework for Rumor Detection (DCE-RD). Our intuition is to exploit the diverse counterfactual evidence of an event graph to serve as multi-view interpretations, which are further aggregated for robust rumor detection results. Specifically, our method first designs a subgraph generation strategy to efficiently generate different subgraphs of the event graph. We constrain the removal of these subgraphs to cause the change in rumor detection results. Thus, these subgraphs naturally serve as counterfactual evidence for rumor detection. To achieve multi-view interpretation, we design a diversity loss inspired by Determinantal Point Processes (DPP) to encourage diversity among the counterfactual evidence. A GNN-based rumor detection model further aggregates the diverse counterfactual evidence discovered by the proposed DCE-RD to achieve interpretable and robust rumor detection results. Extensive experiments on two real-world datasets show the superior performance of our method. Our code is available at https://github.com/Vicinity111/DCE-RD.
• Abstract（参考訳）: ソーシャルメディアの成長は、個人やコミュニティに対する偽ニュースの脅威を悪化させている。 これにより、効率的かつタイムリーな噂検出手法の開発に注目が集まる。 一般的なアプローチは、噂の拡散プロセスの伝播後パターンを活用するために、グラフニューラルネットワーク(GNN)を利用する。 しかし、これらの手法は、GNNのブラックボックスの性質による噂検出の固有の解釈を欠いている。 さらに、これらの手法は、噂検出に全ての伝搬パターンを用いるため、より堅牢な結果に苦しむ。 本稿では,提案する多種多様なうわさ検出のための反事実証拠フレームワーク(dce-rd)の問題点について述べる。 我々の直感は、イベントグラフの多様な反事実的証拠を多視点解釈として活用し、より堅牢な噂検出結果に集約することである。 具体的には,まず,イベントグラフの異なるサブグラフを効率的に生成するためのサブグラフ生成戦略を設計する。 我々はこれらの部分グラフの除去を制約し、噂検出結果の変化を引き起こす。 したがって、これらの部分グラフは当然、噂検出の反実的な証拠となる。 マルチビューの解釈を実現するため,DPP(Determinantal Point Processes)にインスパイアされた多様性損失を設計し,反実的証拠の多様性を促進する。 GNNベースのうわさ検出モデルは、提案したDCE-RDによって発見された様々な偽物証拠を集約し、解釈可能で堅牢なうわさ検出結果を得る。 2つの実世界のデータセットに対する大規模な実験は,本手法の優れた性能を示す。 私たちのコードはhttps://github.com/Vicinity111/DCE-RDで利用可能です。

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)
• Rumor Detection with a novel graph neural network approach [12.42658463552019]
  ソーシャルメディア上での噂を検出するために,ユーザ相関と情報伝達の表現を共同で学習する新しい検出モデルを提案する。 具体的には、グラフニューラルネットワークを利用して、二部グラフからユーザ相関の表現を学習する。 本研究では,ユーザ相関パターンを逆転させるには高いコストが必要であることを示すとともに,ユーザ相関をうわさ検出のために考慮することの重要性を示す。
  論文  参考訳（メタデータ） (2024-03-24T15:59:47Z)
• Towards General Visual-Linguistic Face Forgery Detection [95.73987327101143]
  ディープフェイクは現実的な顔操作であり、セキュリティ、プライバシー、信頼に深刻な脅威をもたらす可能性がある。 既存の方法は、このタスクを、デジタルラベルまたはマスク信号を使用して検出モデルをトレーニングするバイナリ分類として扱う。 本稿では, 微粒な文レベルのプロンプトをアノテーションとして用いた, VLFFD (Visual-Linguistic Face Forgery Detection) という新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-07-31T10:22:33Z)
• Model-Agnostic and Diverse Explanations for Streaming Rumour Graphs [39.88818563103125]
  検出された噂に関する説明は、過去に検出された関連する噂の例から説明できるかもしれないと論じる。 類似した噂の多種多様なセットは、ユーザーが、すなわち、噂の検出を支配する特性を理解するのに役立つ。
  論文  参考訳（メタデータ） (2022-07-17T07:13:27Z)
• Region-enhanced Deep Graph Convolutional Networks for Rumor Detection [6.5165993338043995]
  噂の伝播特性を高める新しい領域強化深部グラフ畳み込みネットワーク(RDGCN)を提案する。 Twitter15とTwitter16の実験では、提案されたモデルは、噂検出と初期の噂検出のベースラインアプローチよりも優れた性能を示している。
  論文  参考訳（メタデータ） (2022-06-15T17:00:11Z)
• Rumor Detection with Self-supervised Learning on Texts and Social Graph [101.94546286960642]
  異種情報ソース上での自己教師型学習を対照的に提案し,それらの関係を明らかにするとともに,噂をよりよく特徴付ける。 我々はこの枠組みをSRD(Self-supervised Rumor Detection)と呼ぶ。 3つの実世界のデータセットに対する大規模な実験により、ソーシャルメディア上での噂の自動検出におけるSRDの有効性が検証された。
  論文  参考訳（メタデータ） (2022-04-19T12:10:03Z)
• Jointly Attacking Graph Neural Network and its Explanations [50.231829335996814]
  グラフニューラルネットワーク(GNN)は多くのグラフ関連タスクのパフォーマンスを向上した。 近年の研究では、GNNは敵の攻撃に対して非常に脆弱であることが示されており、敵はグラフを変更することでGNNの予測を誤認することができる。 本稿では、GNNモデルとその説明の両方を同時に利用して攻撃できる新しい攻撃フレームワーク(GEAttack)を提案する。
  論文  参考訳（メタデータ） (2021-08-07T07:44:33Z)
• Towards Propagation Uncertainty: Edge-enhanced Bayesian Graph Convolutional Networks for Rumor Detection [11.128278871845698]
  本稿では,エッジ強化型ベイズグラフ畳み込みネットワーク(EBGCN)を提案する。 このモデルはベイズ的アプローチを採用することにより、潜伏関係の信頼性を適応的に再考する。 3つの公開ベンチマークデータセットを用いた実験により,提案モデルでは,噂検出と早期噂検出の双方において,ベースライン法よりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2021-07-26T03:07:07Z)
• Rumor Detection on Social Media with Bi-Directional Graph Convolutional Networks [89.13567439679709]
  本稿では,二方向グラフ畳み込みネットワーク (Bi-Directional Graph Convolutional Networks, Bi-GCN) と呼ばれる新しい双方向グラフモデルを提案する。 これは、噂拡散のパターンを学習するために、噂拡散のトップダウン指向グラフを持つGCNと、噂拡散の反対指向グラフを持つGCNを活用して、噂拡散の構造を捉える。
  論文  参考訳（メタデータ） (2020-01-17T15:12:08Z)

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。