論文の概要: Early Detection of Misinformation for Infodemic Management: A Domain Adaptation Approach
- arxiv url: http://arxiv.org/abs/2406.10238v1
- Date: Sun, 2 Jun 2024 19:27:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-23 13:35:51.788295
- Title: Early Detection of Misinformation for Infodemic Management: A Domain Adaptation Approach
- Title（参考訳）: 情報デミック管理における誤情報の早期検出--ドメイン適応アプローチ
- Authors: Minjia Mao, Xiaohang Zhao, Xiao Fang,
- Abstract要約: インフォデミック(インフォデミック、英: infodemic)とは、病気の発生時に拡散する膨大な量の真の情報と誤報を指す。
インフォデミックの初期段階における誤情報の検出は、その管理と公衆衛生への害を軽減する鍵となる。
- 参考スコア（独自算出の注目度）: 1.4883782513177093
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: An infodemic refers to an enormous amount of true information and misinformation disseminated during a disease outbreak. Detecting misinformation at the early stage of an infodemic is key to manage it and reduce its harm to public health. An early stage infodemic is characterized by a large volume of unlabeled information concerning a disease. As a result, conventional misinformation detection methods are not suitable for this misinformation detection task because they rely on labeled information in the infodemic domain to train their models. To address the limitation of conventional methods, state-of-the-art methods learn their models using labeled information in other domains to detect misinformation in the infodemic domain. The efficacy of these methods depends on their ability to mitigate both covariate shift and concept shift between the infodemic domain and the domains from which they leverage labeled information. These methods focus on mitigating covariate shift but overlook concept shift, rendering them less effective for the task. In response, we theoretically show the necessity of tackling both covariate shift and concept shift as well as how to operationalize each of them. Built on the theoretical analysis, we develop a novel misinformation detection method that addresses both covariate shift and concept shift. Using two real-world datasets, we conduct extensive empirical evaluations to demonstrate the superior performance of our method over state-of-the-art misinformation detection methods as well as prevalent domain adaptation methods that can be tailored to solve the misinformation detection task.
- Abstract（参考訳）: インフォデミック(インフォデミック、英: infodemic)とは、病気の発生時に拡散する膨大な量の真の情報と誤報を指す。
インフォデミックの初期段階における誤情報の検出は、その管理と公衆衛生への害を軽減する鍵となる。
早期インフォデミックは、疾患に関する大量の未ラベル情報によって特徴づけられる。
その結果、従来の誤報検出方法は、インフォデミック領域のラベル付き情報に頼ってモデルを訓練するため、この誤報検出タスクには適していない。
従来の手法の限界に対処するために、最先端の手法は、他のドメインのラベル付き情報を用いてモデルを学習し、インフォデミック領域の誤情報を検出する。
これらの手法の有効性は、情報デミックドメインとラベル付き情報を利用するドメイン間の共変量シフトと概念シフトを緩和する能力に依存する。
これらの手法は共変量シフトの緩和に重点を置いているが、概念シフトを見落とし、タスクに対する効果を低下させる。
理論的には,共変量シフトと概念シフトの両方に対処する必要性と,それぞれの運用方法を示す。
理論的解析に基づいて,共変量シフトと概念シフトの両方に対処する新しい誤情報検出法を開発した。
2つの実世界のデータセットを用いて,提案手法の最先端の誤情報検出方法よりも優れた性能を実証し,また,誤情報検出タスクを解くように調整可能な領域適応手法について検討した。
関連論文リスト
- The Veracity Problem: Detecting False Information and its Propagation on Online Social Media Networks [0.0]
本研究の目的は,偽情報とその伝播を効果的に検出する手法を開発することである。
まず,偽情報の複数の側面を活用するフレームワークを提案する。
次に,ナラティブを操作するための協調作業において,アクターとその意図を識別する手法を提案する。
論文 参考訳（メタデータ） (2024-09-06T00:13:05Z) - Taxonomy Adaptive Cross-Domain Adaptation in Medical Imaging via
Optimization Trajectory Distillation [73.83178465971552]
自動医用画像解析の成功は、大規模かつ専門家による注釈付きトレーニングセットに依存する。
非教師なしドメイン適応(UDA)はラベル付きデータ収集の負担を軽減するための有望なアプローチである。
本稿では,2つの技術的課題に新しい視点から対処する統一的手法である最適化トラジェクトリ蒸留を提案する。
論文 参考訳（メタデータ） (2023-07-27T08:58:05Z) - 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) - Contrastive Domain Adaptation for Early Misinformation Detection: A Case
Study on COVID-19 [8.828396559882954]
初期の誤報は、しばしば既存の誤報データに対する条件とラベルのシフトを示す。
早期誤情報検出(CANMD)のためのコントラスト適応ネットワークを提案する。
結果は、CANMDが未確認の新型コロナウイルス標的領域に誤情報検出システムを効果的に適応させることができることを示唆している。
論文 参考訳（メタデータ） (2022-08-20T02:09:35Z) - Inter-Semantic Domain Adversarial in Histopathological Images [0.0]
コンピュータビジョンにおいて、データシフトは安全で堅牢なディープラーニングアプリケーションにとって大きな障壁であることが証明されている。
すべての利用可能なデータを使用して、モデルがデータシフトに対して堅牢にできる範囲を理解することが重要です。
論文 参考訳（メタデータ） (2022-01-22T12:55:59Z) - Descriptive vs. inferential community detection in networks: pitfalls,
myths, and half-truths [0.0]
推論手法は、より明確な科学的問題と整合し、より堅牢な結果をもたらすのが一般的であり、多くの場合好まれるべきである、と我々は主張する。
我々は,コミュニティ検出が実際に行われている場合によく信じられる神話や半真実を,そのような手法の使用と結果の解釈の両方を改善するために,取り除こうと試みている。
論文 参考訳（メタデータ） (2021-11-30T23:57:51Z) - Covered Information Disentanglement: Model Transparency via Unbiased
Permutation Importance [2.064612766965483]
マルコフ確率場と組み合わせた場合,CID(Covered Information Disentanglement)を効率的に計算する方法を示す。
本研究は,まず,制御された玩具データセット上での置換重要度調整の有効性を実証し,実世界の医療データへの影響について論じる。
論文 参考訳（メタデータ） (2021-11-18T15:13:28Z) - 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) - A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。
多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。
限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
論文 参考訳（メタデータ） (2020-09-01T00:06:50Z) - Explainable Deep Classification Models for Domain Generalization [94.43131722655617]
説明は、深い分類網が決定を下す視覚的証拠の領域として定義される。
トレーニング戦略は周期的な正当性に基づくフィードバックを強制し、モデルが地中真実に直接対応する画像領域に焦点を合わせることを奨励する。
論文 参考訳（メタデータ） (2020-03-13T22:22:15Z) - Understanding Self-Training for Gradual Domain Adaptation [107.37869221297687]
段階的なドメイン適応は、対象領域へ徐々にシフトするラベルのないデータのみを与えられたソースドメインで訓練された初期分類器を適応させることが目的である。
目標領域への直接適応が非有界誤差をもたらすような設定下において、段階的なシフトを伴う自己学習の誤差に対する最初の非無空上界を証明した。
この理論解析はアルゴリズムの洞察を導き、無限のデータを持つ場合でも正規化とラベルのシャープ化が不可欠であることを強調し、より小さなワッサーシュタイン無限距離のシフトに対して自己学習が特にうまく働くことを示唆している。
論文 参考訳（メタデータ） (2020-02-26T08:59:40Z)
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。