論文の概要: VGA: Vision and Graph Fused Attention Network for Rumor Detection

• arxiv url: http://arxiv.org/abs/2401.01759v1
• Date: Wed, 3 Jan 2024 14:24:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-04 14:00:10.992204
• Title: VGA: Vision and Graph Fused Attention Network for Rumor Detection
• Title（参考訳）: VGA:噂検出のためのビジョンとグラフ融合注意ネットワーク
• Authors: Lin Bai, Caiyan Jia, Ziying Song, and Chaoqun Cui
• Abstract要約: 本稿では,ポスト間の伝搬構造を利用するために,新しいVGA(Vision and Graph Fused Attention Network)を提案する。 3つのデータセットに対して広範な実験を行い、VGAがマルチモーダルな噂を効果的に検出し、最先端の手法を著しく上回ることを示す。
• 参考スコア（独自算出の注目度）: 4.9312905996391665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the development of social media, rumors have been spread broadly on social media platforms, causing great harm to society. Beside textual information, many rumors also use manipulated images or conceal textual information within images to deceive people and avoid being detected, making multimodal rumor detection be a critical problem. The majority of multimodal rumor detection methods mainly concentrate on extracting features of source claims and their corresponding images, while ignoring the comments of rumors and their propagation structures. These comments and structures imply the wisdom of crowds and are proved to be crucial to debunk rumors. Moreover, these methods usually only extract visual features in a basic manner, seldom consider tampering or textual information in images. Therefore, in this study, we propose a novel Vision and Graph Fused Attention Network (VGA) for rumor detection to utilize propagation structures among posts so as to obtain the crowd opinions and further explore visual tampering features, as well as the textual information hidden in images. We conduct extensive experiments on three datasets, demonstrating that VGA can effectively detect multimodal rumors and outperform state-of-the-art methods significantly.
• Abstract（参考訳）: ソーシャルメディアの発展に伴い、ソーシャルメディアプラットフォーム上で広く噂が広まり、社会に大きな被害をもたらした。 テキスト情報以外にも、多くの噂は操作された画像や画像の中にテキスト情報を隠して人を欺き、検出を避けるため、マルチモーダルなうわさの検出が重要な問題となっている。 マルチモーダルなうわさ検出手法の大部分は,噂のコメントや伝播構造を無視しつつ,ソースクレームの特徴と対応する画像の抽出に重点を置いている。 これらのコメントや構造は、群衆の知恵を暗示しており、噂を解き明かすのに不可欠であることが証明されている。 さらに、これらの手法は通常、視覚的特徴を基本的な方法でのみ抽出するが、画像の改ざんやテキスト的情報を考慮しない。 そこで,本稿では,画像に隠されたテキスト情報だけでなく,群集の意見を得たり,視覚的触覚の特徴を探ったりするために,記事間の伝搬構造を利用した新しい視覚・グラフ融合注意ネットワーク(VGA)を提案する。 3つのデータセットに対して広範な実験を行い、VGAがマルチモーダルな噂を効果的に検出し、最先端の手法を著しく上回ることを示す。

関連論文リスト

• Be Yourself: Bounded Attention for Multi-Subject Text-to-Image Generation [60.943159830780154]
  本稿では,サンプリングプロセスにおける情報フローをバウンドする訓練不要な手法である境界注意法を紹介する。 提案手法は,与えられたプロンプトとレイアウトの整合性を向上する複数の主題の生成に有効であることを示す。
  論文  参考訳（メタデータ） (2024-03-25T17:52:07Z)
• Inconsistent Matters: A Knowledge-guided Dual-consistency Network for Multi-modal Rumor Detection [53.48346699224921]
  マルチメディアコンテンツによる噂を検出するために,知識誘導型二元整合ネットワークを提案する。 2つの一貫性検出ツールを使用して、クロスモーダルレベルとコンテント知識レベルの不整合を同時にキャプチャする。 また、異なる視覚的モダリティ条件下で頑健なマルチモーダル表現学習を可能にする。
  論文  参考訳（メタデータ） (2023-06-03T15:32:20Z)
• Fighting Malicious Media Data: A Survey on Tampering Detection and Deepfake Detection [115.83992775004043]
  近年のディープラーニング、特に深層生成モデルの発展により、知覚的に説得力のある画像や動画を低コストで制作するための扉が開かれた。 本稿では,現在のメディアタンパリング検出手法を概観し,今後の研究の課題と動向について論じる。
  論文  参考訳（メタデータ） (2022-12-12T02:54:08Z)
• Exploring Graph-aware Multi-View Fusion for Rumor Detection on Social Media [23.231289922442414]
  噂表現学習と分類のための新しい多視点融合フレームワークを提案する。 グラフ畳み込みニューラルネットワーク(GCN)に基づいて複数のビューを符号化し、畳み込みニューラルネットワーク(CNN)を活用する。 2つの公開データセットの実験結果から,本手法が最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-11-08T13:27:43Z)
• Research Status of Deep Learning Methods for Rumor Detection [2.8837214828894435]
  本稿では, 特徴選択, モデル構造, 研究手法の3つの視点から, 噂検出の研究状況を分析する。 本研究は,30の作品を,伝播木,敵対学習,クロスドメイン手法,マルチタスク学習,教師なし・半教師付き手法,ベースナレッジグラフなど7つの噂検出手法にまとめる。
  論文  参考訳（メタデータ） (2022-04-25T10:21:23Z)
• 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)
• Calling to CNN-LSTM for Rumor Detection: A Deep Multi-channel Model for Message Veracity Classification in Microblogs [0.0]
  噂は特に個人や社会に深刻なダメージを与える可能性がある。 ほとんどの噂検出アプローチは、噂の特徴分析と社会的特徴に焦点を当てている。 DeepMONITORはディープニューラルネットワークをベースにしており、かなり正確な自動噂検証を可能にする。
  論文  参考訳（メタデータ） (2021-10-11T07:42:41Z)
• MONITOR: A Multimodal Fusion Framework to Assess Message Veracity in Social Networks [0.0]
  ソーシャルネットワークのユーザーは、コンテンツをほとんど抑制せずに投稿し共有する傾向がある。 噂や偽ニュースは急速に広まる可能性がある。 これはソーシャルメディアの信頼性を脅かし、現実の生活に深刻な結果をもたらす可能性がある。
  論文  参考訳（メタデータ） (2021-09-06T07:41:21Z)
• Cross-Media Keyphrase Prediction: A Unified Framework with Multi-Modality Multi-Head Attention and Image Wordings [63.79979145520512]
  マルチメディア投稿におけるキーワード予測におけるテキストと画像の併用効果について検討する。 複雑なマルチメディアインタラクションを捉えるために,M3H-Att(Multi-Modality Multi-Head Attention)を提案する。 我々のモデルは,従来の注目ネットワークに基づいて,過去の技術状況よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-11-03T08:44:18Z)
• Heterogeneous Graph Attention Networks for Early Detection of Rumors on Twitter [9.358510255345676]
  ソーシャルメディアに関する偽の噂は、大衆のパニックを招き、個人的評判を損なう可能性がある。 我々は、テキストの内容と噂の発信元であるツイートの伝搬に基づいて、ツイートワードを利用する異種グラフを構築した。
  論文  参考訳（メタデータ） (2020-06-10T14:49:08Z)
• 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。