論文の概要: SocialNLP Fake-EmoReact 2021 Challenge Overview: Predicting Fake Tweets from Their Replies and GIFs

• arxiv url: http://arxiv.org/abs/2406.04368v1
• Date: Fri, 31 May 2024 21:14:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-23 14:05:12.651909
• Title: SocialNLP Fake-EmoReact 2021 Challenge Overview: Predicting Fake Tweets from Their Replies and GIFs
• Title（参考訳）: SocialNLP Fake-EmoReact 2021 チャレンジ概要:リプライとGIFから偽ツイートを予測する
• Authors: Chien-Kun Huang, Yi-Ting Chang, Lun-Wei Ku, Cheng-Te Li, Hong-Han Shuai,
• Abstract要約: NAACL 2021とともに第9回SocialNLPワークショップで開催されたFake-EmoReact 2021 Challengeの概要を紹介する。 この課題は、EmotionGIFデータセットから返信コンテキストと拡張GIFカテゴリを使用して、ツイートの真正性を予測することである。 この挑戦に参加するために24チームが登録され、5チームが評価フェーズに成果を提出しました。
• 参考スコア（独自算出の注目度）: 31.638177388932224
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper provides an overview of the Fake-EmoReact 2021 Challenge, held at the 9th SocialNLP Workshop, in conjunction with NAACL 2021. The challenge requires predicting the authenticity of tweets using reply context and augmented GIF categories from EmotionGIF dataset. We offer the Fake-EmoReact dataset with more than 453k as the experimental materials, where every tweet is labeled with authenticity. Twenty-four teams registered to participate in this challenge, and 5 submitted their results successfully in the evaluation phase. The best team achieves 93.9 on Fake-EmoReact 2021 dataset using F1 score. In addition, we show the definition of share task, data collection, and the teams' performance that joined this challenge and their approaches.
• Abstract（参考訳）: NAACL 2021とともに第9回SocialNLPワークショップで開催されたFake-EmoReact 2021 Challengeの概要を紹介する。 この課題は、EmotionGIFデータセットから返信コンテキストと拡張GIFカテゴリを使用して、ツイートの真正性を予測することである。 実験材料として453k以上のFake-EmoReactデータセットを提供しています。 この挑戦に参加するために24チームが登録され、5チームが評価フェーズに成果を提出しました。 最高のチームはF1スコアを使用してFake-EmoReact 2021データセットで93.9を達成する。 さらに、共有タスクの定義、データ収集、そしてこの課題に参加したチームのパフォーマンスとそのアプローチを示します。

関連論文リスト

• NTIRE 2024 Restore Any Image Model (RAIM) in the Wild Challenge [60.21380105535203]
  RAIMチャレンジは野生での画像復元のためのベンチマークを構築した。 参加者は、実際の撮影画像が複雑で未知の劣化から復元されることが求められた。 トップランクの手法は最先端の復元性能を改善し、18人の審査員から全会一致の承認を得た。
  論文  参考訳（メタデータ） (2024-05-16T09:26:13Z)
• SAIC_Cambridge-HuPBA-FBK Submission to the EPIC-Kitchens-100 Action Recognition Challenge 2021 [80.05652375838073]
  本報告では,EPIC-Kitchens-100 Action Recognition Challenge 2021への提出の技術的詳細について述べる。 我々の提出は、公共のリーダーボードで見ることができ、RGBのみを使用して、44.82%のトップ1の行動認識精度を達成した。
  論文  参考訳（メタデータ） (2021-10-06T16:29:47Z)
• NTIRE 2021 Multi-modal Aerial View Object Classification Challenge [88.89190054948325]
  CVPR の NTIRE 2021 ワークショップと共同で,MAVOC (Multi-modal Aerial View Object Classification) の最初の挑戦を紹介した。 この課題は、EOとSAR画像を用いた2つの異なるトラックで構成されている。 本コンペティションで提案した最上位の手法について検討し,その成果を目視テストセットで評価する。
  論文  参考訳（メタデータ） (2021-07-02T16:55:08Z)
• DFGC 2021: A DeepFake Game Competition [58.77039013470618]
  本稿では,DFGC 2021コンペティションの概要を紹介する。 DeepFakeの技術は急速に発展しており、現実的なフェイススワップはますます認知しにくくなっている。 このコンペティションは、現在の最先端のDeepFake生成と検出方法の間の対戦ゲームをベンチマークするための共通プラットフォームを提供する。
  論文  参考訳（メタデータ） (2021-06-02T15:10:13Z)
• SocialNLP EmotionGIF 2020 Challenge Overview: Predicting Reaction GIF Categories on Social Media [8.034293322106627]
  第8回ソーシャルメディア自然言語処理ワークショップ(Social)で開催された「EmotionGIF 2020 Challenge」の概要を紹介します。 この課題は、オンラインテキストに対する感情的な反応を予測し、EmotionGIFデータセットを含むことであった。 新しいデータセットには、リアクションgif付きで40万ツイートが含まれている。
  論文  参考訳（メタデータ） (2021-02-24T05:22:10Z)
• DeeperForensics Challenge 2020 on Real-World Face Forgery Detection: Methods and Results [144.5252578415748]
  本稿では,現実世界の顔偽造検出に関するDeeperForensics Challenge 2020の手法と結果について報告する。 この挑戦はdeepforensics-1.0データセットを採用し、6万のビデオを合計1760万フレームで構成する。 115人の参加者が参加し、25のチームが有効な応募を行った。
  論文  参考訳（メタデータ） (2021-02-18T16:48:57Z)
• TUDublin team at Constraint@AAAI2021 -- COVID19 Fake News Detection [0.0]
  仕事の主な目標は、ソーシャルメディアからのメッセージをリアルまたはフェイクニュースとして二分分類するモデルを作成することでした。 このモデルにより、最高の結果の5%以内の0.94 F1スコアを達成できました。
  論文  参考訳（メタデータ） (2021-01-14T16:25:32Z)
• A Hybrid BERT and LightGBM based Model for Predicting Emotion GIF Categories on Twitter [7.463657960984954]
  われわれは、Social 2020の共有タスクであるEmotionGIF 2020チャレンジの解決策を提示する。 ラベルのないツイートに対してGIFカテゴリを推奨するために,変換器による双方向表現(BERT)とLightGBMに基づくランク付けフレームワークを提案する。 私たちのチームは、ラウンド1のリーダーボードで平均精度@6(MAP@6)スコア0.5394で4位を獲得しました。
  論文  参考訳（メタデータ） (2020-08-14T03:23:09Z)

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。