論文の概要: GAMC: An Unsupervised Method for Fake News Detection using Graph Autoencoder with Masking

• arxiv url: http://arxiv.org/abs/2312.05739v1
• Date: Sun, 10 Dec 2023 03:34:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-12 19:02:48.969216
• Title: GAMC: An Unsupervised Method for Fake News Detection using Graph Autoencoder with Masking
• Title（参考訳）: GAMC:マスキング付きグラフオートエンコーダを用いたフェイクニュース検出のための教師なし手法
• Authors: Shu Yin, Chao Gao, Zhen Wang
• Abstract要約: グラフベースのテクニックは、このソーシャルコンテキストを取り入れているが、大きなラベル付きデータセットの必要性によって制限されている。 本稿では,マスキングとコントラスト学習を備えたグラフオートエンコーダを用いた,教師なしの偽ニュース検出手法であるGAMCを紹介する。 情報伝達のコンテキストと内容の両方を自己教師付き信号として活用することにより,ラベル付きデータセットの要求を無効化する。
• 参考スコア（独自算出の注目度）: 18.783663535152158
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: With the rise of social media, the spread of fake news has become a significant concern, potentially misleading public perceptions and impacting social stability. Although deep learning methods like CNNs, RNNs, and Transformer-based models like BERT have enhanced fake news detection, they primarily focus on content, overlooking social context during news propagation. Graph-based techniques have incorporated this social context but are limited by the need for large labeled datasets. Addressing these challenges, this paper introduces GAMC, an unsupervised fake news detection technique using the Graph Autoencoder with Masking and Contrastive learning. By leveraging both the context and content of news propagation as self-supervised signals, our method negates the requirement for labeled datasets. We augment the original news propagation graph, encode these with a graph encoder, and employ a graph decoder for reconstruction. A unique composite loss function, including reconstruction error and contrast loss, is designed. The method's contributions are: introducing self-supervised learning to fake news detection, proposing a graph autoencoder integrating two distinct losses, and validating our approach's efficacy through real-world dataset experiments.
• Abstract（参考訳）: ソーシャルメディアの普及に伴い、偽ニュースの拡散は重大な懸念となり、大衆の認識を誤解させ、社会的安定に影響を及ぼす可能性がある。 cnn、rnn、bertのようなトランスフォーマーモデルのようなディープラーニング手法は偽ニュースの検出を強化しているが、主にニュース伝播中にソーシャルコンテキストを見下ろすコンテンツに焦点を当てている。 グラフベースのテクニックはこのソーシャルコンテキストを取り入れているが、大きなラベル付きデータセットの必要性によって制限されている。 本稿では,マスキングとコントラスト学習を備えたグラフオートエンコーダを用いて,教師なしの偽ニュース検出手法であるGAMCを紹介する。 情報伝達のコンテキストと内容を自己教師付き信号として活用することにより,ラベル付きデータセットの要求を無効化する。 元のニュース伝搬グラフを拡張し、それらをグラフエンコーダでエンコードし、グラフデコーダを用いて再構成する。 再構成誤差やコントラスト損失を含むユニークな複合損失関数を設計する。 この手法の貢献は、偽ニュースの検出に自己教師付き学習を導入し、2つの異なる損失を統合するグラフオートエンコーダを提案し、実際のデータセット実験を通じてアプローチの有効性を検証することである。

関連論文リスト

• Enhancing Fake News Detection in Social Media via Label Propagation on Cross-modal Tweet Graph [19.409935976725446]
  ソーシャルメディアにおける偽ニュースを検出する新しい方法を提案する。 我々の手法は、より密な相互作用をよりよく捉えるために、グラフの接続性を高める。 評価には、Twitter、PHEME、Weiboの3つの公開フェイクニュースデータセットを使用します。
  論文  参考訳（メタデータ） (2024-06-14T09:55:54Z)
• LOSS-GAT: Label Propagation and One-Class Semi-Supervised Graph Attention Network for Fake News Detection [2.6396287656676725]
  Loss-GATは、フェイクニュース検出のための半教師付き一級アプローチである。 我々は、ニュースを関心(フェイク)と非関心(リアル)の2つのグループに分類するために、2段階のラベル伝搬アルゴリズムを用いる。
  論文  参考訳（メタデータ） (2024-02-13T12:02:37Z)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• ADA-GAD: Anomaly-Denoised Autoencoders for Graph Anomaly Detection [84.0718034981805]
  我々はAnomaly-Denoized Autoencoders for Graph Anomaly Detection (ADA-GAD)という新しいフレームワークを導入する。 第1段階では,異常レベルを低減したグラフを生成する学習自由な異常化拡張法を設計する。 次の段階では、デコーダは元のグラフで検出するために再訓練される。
  論文  参考訳（メタデータ） (2023-12-22T09:02:01Z)
• GraphGuard: Detecting and Counteracting Training Data Misuse in Graph Neural Networks [69.97213941893351]
  グラフデータ分析におけるグラフニューラルネットワーク(GNN)の出現は、モデルトレーニング中のデータ誤用に関する重要な懸念を引き起こしている。 既存の手法は、データ誤用検出または緩和のいずれかに対応しており、主にローカルGNNモデル用に設計されている。 本稿では,これらの課題に対処するため,GraphGuardという先駆的なアプローチを導入する。
  論文  参考訳（メタデータ） (2023-12-13T02:59:37Z)
• CONVERT:Contrastive Graph Clustering with Reliable Augmentation [110.46658439733106]
  信頼性オーグメンテーション(CONVERT)を用いたContrastiVe Graph ClustEringネットワークを提案する。 本手法では,データ拡張を可逆的パーターブ・リカバリネットワークにより処理する。 セマンティクスの信頼性をさらに保証するために、ネットワークを制約する新たなセマンティクス損失が提示される。
  論文  参考訳（メタデータ） (2023-08-17T13:07:09Z)
• Graph Global Attention Network with Memory for Fake News Detection [0.0]
  偽情報の拡散は、社会的損害をもたらし、情報の信頼性を損なう可能性がある。 ディープラーニングは、偽ニュースを検出するための有望なアプローチとして登場した。 本研究は,偽ニュース検出のための新しいアプローチであるGANMを提案する。
  論文  参考訳（メタデータ） (2023-04-30T11:42:08Z)
• Fake News Quick Detection on Dynamic Heterogeneous Information Networks [3.599616699656401]
  偽ニュース検出のための新しい動的不均一グラフニューラルネットワーク(DHGNN)を提案する。 我々はまず、ニュース記事の内容と著者プロファイルのセマンティック表現を得るために、BERTと微調整BERTを実装した。 そして、文脈情報と関係を反映した異質なニュース著者グラフを構築する。
  論文  参考訳（メタデータ） (2022-05-14T11:23:25Z)
• A comparative analysis of Graph Neural Networks and commonly used machine learning algorithms on fake news detection [0.0]
  低コスト、ソーシャルプラットフォーム経由のシンプルなアクセシビリティ、低予算のオンラインニュースソースが、偽ニュースの普及に寄与する要因の1つだ。 既存の偽ニュース検出アルゴリズムのほとんどは、ニュースコンテンツのみに焦点を当てている。 エンゲージメントのあるユーザーによる事前投稿やソーシャル活動は、ニュースに対する見解に関する豊富な情報を提供し、フェイクニュースの識別を改善する重要な能力を持っている。
  論文  参考訳（メタデータ） (2022-03-26T18:40:03Z)
• Deep Fraud Detection on Non-attributed Graph [61.636677596161235]
  グラフニューラルネットワーク(GNN)は不正検出に強い性能を示している。 ラベル付きデータは大規模な産業問題、特に不正検出には不十分である。 よりラベルのないデータを活用するための新しいグラフ事前学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-10-04T03:42:09Z)
• Software Vulnerability Detection via Deep Learning over Disaggregated Code Graph Representation [57.92972327649165]
  この研究は、コードコーパスから安全でないパターンを自動的に学習するためのディープラーニングアプローチを探求する。 コードには解析を伴うグラフ構造が自然に認められるため,プログラムの意味的文脈と構造的規則性の両方を利用する新しいグラフニューラルネットワーク(GNN)を開発する。
  論文  参考訳（メタデータ） (2021-09-07T21:24:36Z)

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。