論文の概要: Findings of Factify 2: Multimodal Fake News Detection

• arxiv url: http://arxiv.org/abs/2307.10475v2
• Date: Tue, 12 Sep 2023 18:51:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-14 17:42:43.021957
• Title: Findings of Factify 2: Multimodal Fake News Detection
• Title（参考訳）: Factify 2の発見:マルチモーダルフェイクニュース検出
• Authors: S Suryavardan, Shreyash Mishra, Megha Chakraborty, Parth Patwa, Anku Rani, Aman Chadha, Aishwarya Reganti, Amitava Das, Amit Sheth, Manoj Chinnakotla, Asif Ekbal, Srijan Kumar
• Abstract要約: 本稿では,マルチモーダルな事実検証と風刺ニュースデータセットを提供するFactify 2共有タスクの結果を示す。 このデータでは,マルチモーダル関係に基づく5つのクラスに分けて,ソーシャルメディアの主張をテキストと画像の両方で支援文書と組み合わせることで,タスクに対する比較に基づくアプローチが求められている。 全5クラスの平均得点は81.82%であった。
• 参考スコア（独自算出の注目度）: 36.34201719103715
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With social media usage growing exponentially in the past few years, fake news has also become extremely prevalent. The detrimental impact of fake news emphasizes the need for research focused on automating the detection of false information and verifying its accuracy. In this work, we present the outcome of the Factify 2 shared task, which provides a multi-modal fact verification and satire news dataset, as part of the DeFactify 2 workshop at AAAI'23. The data calls for a comparison based approach to the task by pairing social media claims with supporting documents, with both text and image, divided into 5 classes based on multi-modal relations. In the second iteration of this task we had over 60 participants and 9 final test-set submissions. The best performances came from the use of DeBERTa for text and Swinv2 and CLIP for image. The highest F1 score averaged for all five classes was 81.82%.
• Abstract（参考訳）: ここ数年でソーシャルメディアの利用が急増し、フェイクニュースも急速に広まりつつある。 フェイクニュースの有害な影響は、偽情報の検出を自動化し、その正確性を検証する研究の必要性を強調している。 本稿では,AAAI'23におけるDeFactify 2ワークショップの一環として,マルチモーダルな事実検証と風刺ニュースデータセットを提供するFactify 2共有タスクの結果を示す。 このデータでは,マルチモーダル関係に基づく5つのクラスに分けて,ソーシャルメディアの主張をテキストと画像の両方で支援文書と組み合わせることで,タスクに対する比較に基づくアプローチが求められている。 このタスクの第2イテレーションでは、60人以上の参加者と9つの最終テストセットの提出がありました。 最高のパフォーマンスは、テキストにDeBERTa、画像にSwinv2とCLIPを使うことである。 全5クラスの平均得点は81.82%であった。

関連論文リスト

• Overview of Factify5WQA: Fact Verification through 5W Question-Answering [25.679348027485254]
  Factify5WQAタスクは、偽ニュースの自動検出に向けた研究を強化することを目的としている。 最高成績のチームは69.56%の精度でベースラインを35%上回った。
  論文  参考訳（メタデータ） (2024-10-05T17:28:18Z)
• ManiTweet: A New Benchmark for Identifying Manipulation of News on Social Media [74.93847489218008]
  ソーシャルメディア上でのニュースの操作を識別し,ソーシャルメディア投稿の操作を検出し,操作された情報や挿入された情報を特定することを目的とした,新しいタスクを提案する。 この課題を研究するために,データ収集スキーマを提案し,3.6K対のツイートとそれに対応する記事からなるManiTweetと呼ばれるデータセットをキュレートした。 我々の分析では、このタスクは非常に難しいことを示し、大きな言語モデル(LLM)は不満足なパフォーマンスをもたらす。
  論文  参考訳（メタデータ） (2023-05-23T16:40:07Z)
• Factify 2: A Multimodal Fake News and Satire News Dataset [36.34201719103715]
  我々は、FACTIFY 2と呼ばれるマルチモーダルなファクトチェックデータセットを提供し、新しいデータソースを使用してFactify 1を改善し、風刺記事を追加する。 FACTIFY 1.0と同様に、私たちは3つの幅広いカテゴリ、すなわち、サポート、証拠なし、反響があり、視覚的およびテキスト的データの詳細に基づいたサブカテゴリがあります。 BERT と Vison Transformer ベースのベースラインも提供しています。
  論文  参考訳（メタデータ） (2023-04-08T03:14:19Z)
• INO at Factify 2: Structure Coherence based Multi-Modal Fact Verification [3.5408382050384883]
  疑似ニュースを分類する構造コヒーレンスに基づくマルチモーダル事実検証手法を提案する。 我々の重み付き平均F1スコアは0.8079に達し、FACTIFY2で2位となった。
  論文  参考訳（メタデータ） (2023-03-02T11:18:56Z)
• 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)
• UrduFake@FIRE2020: Shared Track on Fake News Identification in Urdu [62.6928395368204]
  本稿では、ウルドゥー語における偽ニュース検出に関するFIRE 2020における最初の共有タスクの概要について述べる。 目標は、900の注釈付きニュース記事と400のニュース記事からなるデータセットを使って偽ニュースを特定することである。 データセットには、 (i) Health、 (ii) Sports、 (iii) Showbiz、 (iv) Technology、 (v) Businessの5つのドメインのニュースが含まれている。
  論文  参考訳（メタデータ） (2022-07-25T03:46:51Z)
• Overview of the Shared Task on Fake News Detection in Urdu at FIRE 2020 [62.6928395368204]
  タスクはバイナリ分類タスクとして設定され、ゴールはリアルニュースとフェイクニュースを区別することである。 トレーニング用に900の注釈付きニュース記事とテスト用に400のニュース記事のデータセットを作成した。 6カ国(インド、中国、エジプト、ドイツ、パキスタン、イギリス)の42チームが登録された。
  論文  参考訳（メタデータ） (2022-07-25T03:41:32Z)
• Overview of the Shared Task on Fake News Detection in Urdu at FIRE 2021 [55.41644538483948]
  共有タスクの目標は、コミュニティにこの重要な問題を解決するための効率的な方法を考え出すことを動機付けることです。 トレーニングセットには1300件の注釈付きニュース記事、750件のリアルニュース、550件のフェイクニュース、300件のニュース記事、200件のリアルニュース、100件のフェイクニュースが含まれている。 F1-macroスコアは0.679で、これは過去最高の0.907 F1-macroよりも低かった。
  論文  参考訳（メタデータ） (2022-07-11T18:58:36Z)
• UofA-Truth at Factify 2022 : Transformer And Transfer Learning Based Multi-Modal Fact-Checking [0.0]
  マルチモーダルニュースソースにおける誤情報・偽情報自動検出の課題に対処しようと試みた。 私たちのモデルはF1重み付けスコア74.807%を生成しました。
  論文  参考訳（メタデータ） (2022-01-28T18:13:03Z)
• Multimodal Fake News Detection [1.929039244357139]
  単調な手法とマルチモーダル手法の両方を用いて、ファケディットデータセット上のフェイクニュースのきめ細かい分類を行う。 操作されたコンテンツ、Satire、False接続などの偽ニュースカテゴリは、画像の使用の恩恵を強く受けている。 画像を使用することで、他のカテゴリの結果も改善されるが、影響は少ない。
  論文  参考訳（メタデータ） (2021-12-09T10:57:18Z)

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。