論文の概要: COVIDFakeExplainer: An Explainable Machine Learning based Web
Application for Detecting COVID-19 Fake News
- arxiv url: http://arxiv.org/abs/2310.13890v1
- Date: Sat, 21 Oct 2023 02:11:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-25 04:38:31.423245
- Title: COVIDFakeExplainer: An Explainable Machine Learning based Web
Application for Detecting COVID-19 Fake News
- Title（参考訳）: covidfakeexplainer:新型コロナウイルスの偽ニュースを検出する機械学習ベースのウェブアプリケーション
- Authors: Dylan Warman and Muhammad Ashad Kabir
- Abstract要約: 本稿では,偽ニュース検出の優れたモデルとしてBERTを確立する。
我々はブラウザエクステンションを実装し、説明可能性機能を強化し、フェイクニュースのリアルタイム識別を可能にした。
実験では、BERTが新型コロナウイルス関連の偽ニュースを検出するのに非常に正確であることを確認した。
- 参考スコア（独自算出の注目度）: 1.257018053967058
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fake news has emerged as a critical global issue, magnified by the COVID-19
pandemic, underscoring the need for effective preventive tools. Leveraging
machine learning, including deep learning techniques, offers promise in
combatting fake news. This paper goes beyond by establishing BERT as the
superior model for fake news detection and demonstrates its utility as a tool
to empower the general populace. We have implemented a browser extension,
enhanced with explainability features, enabling real-time identification of
fake news and delivering easily interpretable explanations. To achieve this, we
have employed two publicly available datasets and created seven distinct data
configurations to evaluate three prominent machine learning architectures. Our
comprehensive experiments affirm BERT's exceptional accuracy in detecting
COVID-19-related fake news. Furthermore, we have integrated an explainability
component into the BERT model and deployed it as a service through Amazon's
cloud API hosting (AWS). We have developed a browser extension that interfaces
with the API, allowing users to select and transmit data from web pages,
receiving an intelligible classification in return. This paper presents a
practical end-to-end solution, highlighting the feasibility of constructing a
holistic system for fake news detection, which can significantly benefit
society.
- Abstract（参考訳）: 新型コロナウイルス(COVID-19)のパンデミックで拡大し、効果的な予防ツールの必要性が強調されている。
ディープラーニング技術を含む機械学習の活用は、偽ニュースと戦うことを約束する。
本稿では,偽ニュース検出の優れたモデルとしてBERTを確立し,一般大衆にアピールするためのツールとしての有用性を実証する。
我々はブラウザエクステンションを実装し、説明可能性を強化し、フェイクニュースのリアルタイム識別を可能にし、容易に解釈可能な説明を提供する。
これを実現するために、2つの公開データセットを使用し、7つの異なるデータ構成を作成し、3つの著名な機械学習アーキテクチャを評価しました。
包括的な実験により、BERTは新型コロナウイルス関連の偽ニュースを検出するのに極めて正確であることを確認した。
さらに、BERTモデルに説明可能性コンポーネントを統合し、AmazonのクラウドAPIホスティング(AWS)を通じてサービスとしてデプロイしました。
私たちは、webページからデータを選択、送信し、見返りに識別可能な分類を受けられるように、apiとインターフェースするブラウザ拡張機能を開発しました。
本稿では,フェイクニュース検出のための総合的なシステムの構築の可能性を強調し,社会に多大な利益をもたらすような実用的エンドツーエンドソリューションを提案する。
関連論文リスト
- FineFake: A Knowledge-Enriched Dataset for Fine-Grained Multi-Domain Fake News Detection [54.37159298632628]
FineFakeは、フェイクニュース検出のためのマルチドメイン知識強化ベンチマークである。
FineFakeは6つのセマンティックトピックと8つのプラットフォームにまたがる16,909のデータサンプルを含んでいる。
FineFakeプロジェクト全体がオープンソースリポジトリとして公開されている。
論文 参考訳（メタデータ） (2024-03-30T14:39:09Z) - FNDaaS: Content-agnostic Detection of Fake News sites [3.936965297430477]
FNDは、コンテンツに依存しない最初のフェイクニュース検出手法である。
ニュースサイトごとのネットワークや構造的特徴など、新しい、未調査の機能について検討している。
過去のサイトでは最大0.967のAUCスコアを達成でき、新しくフラッグされたサイトでは最大77-92%の精度を達成できる。
論文 参考訳（メタデータ） (2022-12-13T11:17:32Z) - 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) - Faking Fake News for Real Fake News Detection: Propaganda-loaded
Training Data Generation [105.20743048379387]
提案手法は,人間によるプロパガンダのスタイルや戦略から情報を得た学習例を生成するための新しいフレームワークである。
具体的には、生成した記事の有効性を確保するために、自然言語推論によって導かれる自己臨界シーケンストレーニングを行う。
実験の結果、PropaNewsでトレーニングされた偽ニュース検知器は、2つの公開データセットで3.62～7.69%のF1スコアで人書きの偽情報を検出するのに優れていることがわかった。
論文 参考訳（メタデータ） (2022-03-10T14:24:19Z) - Development of Fake News Model using Machine Learning through Natural
Language Processing [0.7120858995754653]
機械学習アルゴリズムとフェイクニュースの識別に使用しています。
フェイクニュース検出では、単純な分類が完全に正しいわけではない。
機械学習とテキストベースの処理を統合することで、偽ニュースを検出することができる。
論文 参考訳（メタデータ） (2022-01-19T09:26:15Z) - Automated Evidence Collection for Fake News Detection [11.324403127916877]
本稿では,現在行われている偽ニュース検出手法を改良した新しい手法を提案する。
提案手法は,Web記事からエビデンスを抽出し,エビデンスとして扱うための適切なテキストを選択する。
我々の実験は、機械学習とディープラーニングに基づく手法の両方を用いて、我々のアプローチを広範囲に評価するのに役立つ。
論文 参考訳（メタデータ） (2021-12-13T09:38:41Z) - FacTeR-Check: Semi-automated fact-checking through Semantic Similarity
and Natural Language Inference [61.068947982746224]
FacTeR-Checkは、ファクトチェックされた情報の検索、未確認のクレームの検証、ソーシャルメディア上での危険な情報の追跡を可能にする。
このアーキテクチャは、NLI19-SPと呼ばれる新しいデータセットを使って検証されている。
この結果から,各ベンチマークにおける最先端性能と,61種類のホアックスの時間経過に伴う進化の有用な解析結果が得られた。
論文 参考訳（メタデータ） (2021-10-27T15:44:54Z) - Adversarial Active Learning based Heterogeneous Graph Neural Network for
Fake News Detection [18.847254074201953]
新規な偽ニュース検出フレームワークであるAdversarial Active Learning-based Heterogeneous Graph Neural Network(AA-HGNN)を提案する。
AA-HGNNは、特にラベル付きデータのあいまいさに直面している場合、学習性能を高めるためにアクティブな学習フレームワークを利用する。
2つの実世界のフェイクニュースデータセットによる実験により、我々のモデルはテキストベースのモデルや他のグラフベースのモデルより優れていることが示された。
論文 参考訳（メタデータ） (2021-01-27T05:05:25Z) - Linked Credibility Reviews for Explainable Misinformation Detection [1.713291434132985]
本稿では,誤情報検出に協力する分散ボットのネットワーク構築に使用できるCR(Credibility Reviews)のコアコンセプトに基づくアーキテクチャを提案する。
CRは、(i)Webコンテンツのグラフを構成するためのビルディングブロックとして機能し、(ii)既存の信頼性信号 --fact-checked claimsとWebサイトの評判評価 -- を構成し、(iii)自動的に計算されたレビューを生成する。
このアーキテクチャは、.orgへの軽量な拡張と、意味的類似性と姿勢検出のための汎用的なNLPタスクを提供するサービスの上に実装されている。
論文 参考訳（メタデータ） (2020-08-28T16:55:43Z) - Visual Imitation Made Easy [102.36509665008732]
本稿では,ロボットへのデータ転送を容易にしながら,データ収集プロセスを単純化する,模倣のための代替インターフェースを提案する。
我々は、データ収集装置やロボットのエンドエフェクターとして、市販のリーチ・グラブラー補助具を使用する。
我々は,非包括的プッシュと包括的積み重ねという2つの課題について実験的に評価した。
論文 参考訳（メタデータ） (2020-08-11T17:58:50Z) - Machine Learning Explanations to Prevent Overtrust in Fake News
Detection [64.46876057393703]
本研究では、ニュースレビュープラットフォームに組み込んだ説明可能なAIアシスタントが、フェイクニュースの拡散と戦う効果について検討する。
我々は、ニュースレビューと共有インターフェースを設計し、ニュース記事のデータセットを作成し、4つの解釈可能なフェイクニュース検出アルゴリズムを訓練する。
説明可能なAIシステムについてより深く理解するために、説明プロセスにおけるユーザエンゲージメント、メンタルモデル、信頼、パフォーマンス対策の相互作用について議論する。
論文 参考訳（メタデータ） (2020-07-24T05:42:29Z)
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。