論文の概要: Semantic Evolvement Enhanced Graph Autoencoder for Rumor Detection
- arxiv url: http://arxiv.org/abs/2404.16076v1
- Date: Wed, 24 Apr 2024 05:05:58 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-26 18:22:04.744699
- Title: Semantic Evolvement Enhanced Graph Autoencoder for Rumor Detection
- Title(参考訳): 地震検出のためのセマンティック進化強化グラフオートエンコーダ
- Authors: Xiang Tao, Liang Wang, Qiang Liu, Shu Wu, Liang Wang,
- Abstract要約: 本稿では,GARDモデルのための新しい意味進化拡張グラフオートエンコーダを提案する。
このモデルは、局所的な意味変化とグローバルな意味進化情報をキャプチャすることで、事象の意味進化情報を学ぶ。
噂や非噂の異なるパターンを学習するモデルの能力を高めるために,モデルの性能をさらに向上させるレギュレータを導入する。
- 参考スコア(独自算出の注目度): 25.03964361177406
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Due to the rapid spread of rumors on social media, rumor detection has become an extremely important challenge. Recently, numerous rumor detection models which utilize textual information and the propagation structure of events have been proposed. However, these methods overlook the importance of semantic evolvement information of event in propagation process, which is often challenging to be truly learned in supervised training paradigms and traditional rumor detection methods. To address this issue, we propose a novel semantic evolvement enhanced Graph Autoencoder for Rumor Detection (GARD) model in this paper. The model learns semantic evolvement information of events by capturing local semantic changes and global semantic evolvement information through specific graph autoencoder and reconstruction strategies. By combining semantic evolvement information and propagation structure information, the model achieves a comprehensive understanding of event propagation and perform accurate and robust detection, while also detecting rumors earlier by capturing semantic evolvement information in the early stages. Moreover, in order to enhance the model's ability to learn the distinct patterns of rumors and non-rumors, we introduce a uniformity regularizer to further improve the model's performance. Experimental results on three public benchmark datasets confirm the superiority of our GARD method over the state-of-the-art approaches in both overall performance and early rumor detection.
- Abstract(参考訳): ソーシャルメディア上の噂が急速に広まる中、噂検出は極めて重要な課題となっている。
近年,テキスト情報とイベントの伝播構造を利用した多数の噂検出モデルが提案されている。
しかし,これらの手法は伝播過程における事象の意味的進化情報の重要性を軽視し,教師付き訓練パラダイムや従来の噂検出手法で真に学ぶことはしばしば困難である。
本稿では,新しい意味進化拡張グラフオートエンコーダ(GARD)モデルを提案する。
このモデルは、特定のグラフオートエンコーダと再構成戦略を通じて、局所的な意味変化とグローバルな意味進化情報をキャプチャすることで、事象の意味進化情報を学ぶ。
セマンティック進化情報と伝搬構造情報を組み合わせることで、イベント伝播の包括的理解を達成し、正確かつ堅牢な検出を行うとともに、セマンティック進化情報を早期にキャプチャすることで、より早い段階での噂を検出する。
さらに、噂や非噂の異なるパターンを学習するモデルの能力を高めるために、モデルの性能をさらに向上させる一様正則化手法を導入する。
3つの公開ベンチマークデータセットによる実験結果から、GARD法が全体的な性能と早期噂検出の両方において最先端のアプローチよりも優れていることが確認された。
関連論文リスト
- A Unified Contrastive Transfer Framework with Propagation Structure for
Boosting Low-Resource Rumor Detection [11.201348902221257]
既存の噂検出アルゴリズムは 昨日のニュースで 有望な性能を見せています
十分なトレーニングデータや事前の専門家知識が欠如しているため、予期せぬ出来事に関する噂を見つけるのが苦手である。
本稿では,十分な情報源から得られた特徴を,少数のアノテーションで少ない資料に適応させることで,噂を検出するための一貫したコントラスト転送フレームワークを提案する。
論文 参考訳(メタデータ) (2023-04-04T03:13:03Z) - No Place to Hide: Dual Deep Interaction Channel Network for Fake News
Detection based on Data Augmentation [16.40196904371682]
本稿では,意味,感情,データ強化の観点から,偽ニュース検出のための新しいフレームワークを提案する。
セマンティックと感情の2つのディープインタラクションチャネルネットワークは、より包括的できめ細かなニュース表現を得るために設計されている。
実験の結果,提案手法は最先端手法よりも優れていることがわかった。
論文 参考訳(メタデータ) (2023-03-31T13:33:53Z) - Enhancing Multiple Reliability Measures via Nuisance-extended
Information Bottleneck [77.37409441129995]
トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。
我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。
そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
論文 参考訳(メタデータ) (2023-03-24T16:03:21Z) - Visualizing Transferred Knowledge: An Interpretive Model of Unsupervised
Domain Adaptation [70.85686267987744]
教師なしのドメイン適応問題は、ラベル付きソースドメインからラベルなしターゲットドメインに知識を転送することができる。
本稿では、翻訳された知識の謎を視覚的に明らかにする最初の試みとして、教師なしドメイン適応の解釈モデルを提案する。
提案手法は,ベースモデルの予測を直感的に説明し,画像パッチをソースドメインとターゲットドメインの両方で同一のセマンティクスとマッチングすることで伝達知識を公開する。
論文 参考訳(メタデータ) (2023-03-04T03:02:12Z) - Unleashing Text-to-Image Diffusion Models for Visual Perception [84.41514649568094]
VPD (Visual Perception with a pre-trained diffusion model) は、視覚知覚タスクにおいて、事前訓練されたテキスト・画像拡散モデルの意味情報を利用する新しいフレームワークである。
本稿では,提案したVPDを用いて,下流の視覚的タスクに迅速に適応できることを示す。
論文 参考訳(メタデータ) (2023-03-03T18:59:47Z) - Zero-Shot Rumor Detection with Propagation Structure via Prompt Learning [24.72097408129496]
従来の研究では、アノテートされたリソースが不足しているため、少数言語で提示される噂は見つからないことが判明した。
本稿では,異なるドメインで発生する噂や,異なる言語で提示される噂を検出するための,素早い学習に基づく新しいフレームワークを提案する。
提案手法は最先端手法よりも優れた性能を実現し,早期に噂を検出する能力に優れる。
論文 参考訳(メタデータ) (2022-12-02T12:04:48Z) - GSMFlow: Generation Shifts Mitigating Flow for Generalized Zero-Shot
Learning [55.79997930181418]
Generalized Zero-Shot Learningは、目に見えないクラスから見えないクラスに意味的な知識を移すことで、目に見えないクラスと見えないクラスの両方から画像を認識することを目的としている。
生成モデルの利点を生かして、見学したクラスから学んだ知識に基づいて、現実的な見知らぬサンプルを幻覚させることは、有望な解決策である。
本研究では,複数の条件付きアフィン結合層からなるフローベース生成フレームワークを提案する。
論文 参考訳(メタデータ) (2022-07-05T04:04:37Z) - Region-enhanced Deep Graph Convolutional Networks for Rumor Detection [6.5165993338043995]
噂の伝播特性を高める新しい領域強化深部グラフ畳み込みネットワーク(RDGCN)を提案する。
Twitter15とTwitter16の実験では、提案されたモデルは、噂検出と初期の噂検出のベースラインアプローチよりも優れた性能を示している。
論文 参考訳(メタデータ) (2022-06-15T17:00:11Z) - 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) - Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。
まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。
次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
論文 参考訳(メタデータ) (2021-12-31T10:03:47Z) - Towards Propagation Uncertainty: Edge-enhanced Bayesian Graph
Convolutional Networks for Rumor Detection [11.128278871845698]
本稿では,エッジ強化型ベイズグラフ畳み込みネットワーク(EBGCN)を提案する。
このモデルはベイズ的アプローチを採用することにより、潜伏関係の信頼性を適応的に再考する。
3つの公開ベンチマークデータセットを用いた実験により,提案モデルでは,噂検出と早期噂検出の双方において,ベースライン法よりも優れた性能が得られることが示された。
論文 参考訳(メタデータ) (2021-07-26T03:07:07Z)
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。