論文の概要: FaKnow: A Unified Library for Fake News Detection
- arxiv url: http://arxiv.org/abs/2401.16441v1
- Date: Sat, 27 Jan 2024 13:29:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-31 17:39:35.466257
- Title: FaKnow: A Unified Library for Fake News Detection
- Title（参考訳）: FaKnow:フェイクニュース検出のための統一ライブラリ
- Authors: Yiyuan Zhu, Yongjun Li, Jialiang Wang, Ming Gao, Jiali Wei
- Abstract要約: FaKnowは統合的で総合的なフェイクニュース検出アルゴリズムライブラリである。
モデルトレーニングと評価プロセスの全スペクトルをカバーする。
視覚化やロギングなど,一連の補助機能やツールを備えている。
- 参考スコア（独自算出の注目度）: 11.119667583594483
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Over the past years, a large number of fake news detection algorithms based
on deep learning have emerged. However, they are often developed under
different frameworks, each mandating distinct utilization methodologies,
consequently hindering reproducibility. Additionally, a substantial amount of
redundancy characterizes the code development of such fake news detection
models. To address these concerns, we propose FaKnow, a unified and
comprehensive fake news detection algorithm library. It encompasses a variety
of widely used fake news detection models, categorized as content-based and
social context-based approaches. This library covers the full spectrum of the
model training and evaluation process, effectively organizing the data, models,
and training procedures within a unified framework. Furthermore, it furnishes a
series of auxiliary functionalities and tools, including visualization, and
logging. Our work contributes to the standardization and unification of fake
news detection research, concurrently facilitating the endeavors of researchers
in this field. The open-source code and documentation can be accessed at
https://github.com/NPURG/FaKnow and https://faknow.readthedocs.io,
respectively.
- Abstract（参考訳）: 過去数年間、ディープラーニングに基づく偽ニュース検出アルゴリズムが多数登場している。
しかし、それらはしばしば異なるフレームワークの下で開発され、それぞれ異なる利用方法を管理し、結果として再現性を妨げる。
さらに、大量の冗長性は、このような偽ニュース検出モデルのコード開発を特徴付ける。
これらの問題に対処するために,統合的で包括的な偽ニュース検出アルゴリズムライブラリであるFaKnowを提案する。
広く使われている偽ニュース検出モデルを含んでおり、コンテンツベースとソーシャルコンテキストベースのアプローチに分類される。
このライブラリは、モデルトレーニングと評価プロセスの完全なスペクトルをカバーし、統一されたフレームワーク内でデータ、モデル、トレーニング手順を効果的に整理する。
さらに、視覚化やロギングなど、一連の補助機能やツールも備えている。
本研究は,偽ニュース検出研究の標準化と統一に寄与し,この分野の研究者の努力を促進する。
オープンソースのコードとドキュメントは、それぞれhttps://github.com/npurg/faknowとhttps://faknow.readthedocs.ioでアクセスできる。
関連論文リスト
- POLygraph: Polish Fake News Dataset [0.37698262166557467]
本稿では,ポーランドにおける偽ニュース検出のためのユニークなリソースであるPOLygraphデータセットを提案する。
データセットは、11,360対のニュース記事(URLで特定)と対応するラベルを持つ「フェイク・オア・ノット」データセットと、5,082のニュース記事(URLで特定)とコメントするツイートを含む「フェイク・テア・セイ」データセットの2つの部分で構成されている。
このプロジェクトはまた、高度な機械学習技術を使ってデータを分析し、コンテンツの信頼性を判断するソフトウェアツールも開発した。
論文 参考訳（メタデータ） (2024-07-01T15:45:21Z) - A Multi-Stream Fusion Approach with One-Class Learning for Audio-Visual Deepfake Detection [17.285669984798975]
本稿では,ロバストな音声・視覚深度検出モデルを開発する上での課題について述べる。
新たな世代のアルゴリズムが絶えず出現しており、検出方法の開発中にこれらのアルゴリズムは遭遇しない。
表現レベルの正規化手法として,一級学習を用いたマルチストリーム融合手法を提案する。
論文 参考訳（メタデータ） (2024-06-20T10:33:15Z) - 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) - 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) - Deep learning for table detection and structure recognition: A survey [49.09628624903334]
本調査の目的は,テーブル検出の分野での大きな進展を深く理解することである。
この分野における古典的アプリケーションと新しいアプリケーションの両方について分析する。
既存のモデルのデータセットとソースコードは、読者にこの膨大な文献のコンパスを提供するために組織されている。
論文 参考訳（メタデータ） (2022-11-15T19:42:27Z) - Annotation Error Detection: Analyzing the Past and Present for a More
Coherent Future [63.99570204416711]
我々は、潜在的なアノテーションの誤りを検知するための18の手法を再実装し、9つの英語データセット上で評価する。
アノテーションエラー検出タスクの新しい形式化を含む一様評価設定を定義する。
私たちはデータセットと実装を,使いやすく,オープンソースのソフトウェアパッケージとしてリリースしています。
論文 参考訳（メタデータ） (2022-06-05T22:31:45Z) - A Multi-Policy Framework for Deep Learning-Based Fake News Detection [0.31498833540989407]
フェイクニュース検出を自動化するフレームワークであるMPSC(Multi-Policy Statement Checker)を導入する。
MPSCは、深層学習技術を用いて、文自体とその関連するニュース記事を分析し、それが信頼できるか疑わしいかを予測する。
論文 参考訳（メタデータ） (2022-06-01T21:25:21Z) - 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) - Human-in-the-Loop Disinformation Detection: Stance, Sentiment, or
Something Else? [93.91375268580806]
政治とパンデミックは、機械学習対応の偽ニュース検出アルゴリズムの開発に十分な動機を与えている。
既存の文献は、主に完全自動化されたケースに焦点を当てているが、その結果得られた技術は、軍事応用に必要な様々なトピック、ソース、時間スケールに関する偽情報を確実に検出することはできない。
既に利用可能なアナリストを人間のループとして活用することにより、感情分析、アスペクトベースの感情分析、姿勢検出といった標準的な機械学習技術は、部分的に自動化された偽情報検出システムに使用するためのもっとも有効な方法となる。
論文 参考訳（メタデータ） (2021-11-09T13:30:34Z)
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。