論文の概要: Transferring Structure Knowledge: A New Task to Fake news Detection Towards Cold-Start Propagation

• arxiv url: http://arxiv.org/abs/2407.09894v1
• Date: Sat, 13 Jul 2024 14:04:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-16 20:18:01.909695
• Title: Transferring Structure Knowledge: A New Task to Fake news Detection Towards Cold-Start Propagation
• Title（参考訳）: 構造知識の伝達:コールドスタート伝播に向けたニュース検出のための新しい課題
• Authors: Lingwei Wei, Dou Hu, Wei Zhou, Songlin Hu,
• Abstract要約: コールドスタートフェイクニュース検出という新しいタスクについて検討する。 伝搬データがないコンテンツのみのサンプルを検出することを目的としている。 この課題を達成するために、我々はシンプルだが効果的なStructure Adrial Netフレームワークを設計する。
• 参考スコア（独自算出の注目度）: 29.36409607847339
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many fake news detection studies have achieved promising performance by extracting effective semantic and structure features from both content and propagation trees. However, it is challenging to apply them to practical situations, especially when using the trained propagation-based models to detect news with no propagation data. Towards this scenario, we study a new task named cold-start fake news detection, which aims to detect content-only samples with missing propagation. To achieve the task, we design a simple but effective Structure Adversarial Net (SAN) framework to learn transferable features from available propagation to boost the detection of content-only samples. SAN introduces a structure discriminator to estimate dissimilarities among learned features with and without propagation, and further learns structure-invariant features to enhance the generalization of existing propagation-based methods for content-only samples. We conduct qualitative and quantitative experiments on three datasets. Results show the challenge of the new task and the effectiveness of our SAN framework.
• Abstract（参考訳）: 多くの偽ニュース検出研究は、コンテンツと伝搬木の両方から効果的な意味的特徴と構造的特徴を抽出することで、有望な性能を達成した。 しかし、特に、訓練された伝搬モデルを用いて伝搬データのないニュースを検出する場合、実践的な状況にそれらを適用することは困難である。 そこで本研究では,コンテンツのみのサンプル検出を目的とした,コールドスタートフェイクニュース検出という新たなタスクについて検討する。 この課題を達成するために,コンテンツのみのサンプルの検出を促進するために,利用可能な伝搬から伝達可能な特徴を学習する,シンプルだが効果的な構造適応ネット(SAN)フレームワークを設計する。 SANは、学習した特徴と伝播のない特徴の相違を推定する構造判別器を導入し、さらに構造不変性を学び、コンテンツのみのサンプルに対する既存の伝搬法を一般化する。 3つのデータセットについて定性的かつ定量的な実験を行う。 その結果、新しいタスクの課題とSANフレームワークの有効性が示された。

関連論文リスト

• BoostAdapter: Improving Vision-Language Test-Time Adaptation via Regional Bootstrapping [64.8477128397529]
  本稿では,テスト時間適応フレームワークを提案する。 我々は、インスタンスに依存しない履歴サンプルとインスタンスを意識したブースティングサンプルから特徴を検索するための軽量なキー値メモリを維持している。 理論的には,本手法の背後にある合理性を正当化し,アウト・オブ・ディストリビューションとクロスドメイン・データセットの両方において,その有効性を実証的に検証する。
  論文  参考訳（メタデータ） (2024-10-20T15:58:43Z)
• T-JEPA: Augmentation-Free Self-Supervised Learning for Tabular Data [0.0]
  自己教師付き学習(SSL)は一般的に同じサンプルの異なるビューを生成するため、データ拡張が必要である。 本研究では,構造化データに対する拡張不要なSSL方式を提案する。 我々のアプローチであるT-JEPAは、JEPA(Joint Embedding Predictive Architecture)に依存しており、潜伏した空間における再構築のマスクに似ている。
  論文  参考訳（メタデータ） (2024-10-07T13:15:07Z)
• Provably Neural Active Learning Succeeds via Prioritizing Perplexing Samples [53.95282502030541]
  ニューラルネットワークベースのアクティブラーニング(NAL)は、ニューラルネットワークを使用してサンプルの小さなサブセットを選択してトレーニングする、費用対効果の高いデータ選択技術である。 我々は、機能学習の観点から、両方のクエリ基準ベースのNALの成功について、統一的な説明を提供することにより、一歩前進させようとする。
  論文  参考訳（メタデータ） (2024-06-06T10:38:01Z)
• 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)
• Semantic Prompt for Few-Shot Image Recognition [76.68959583129335]
  本稿では,数ショット学習のための新しいセマンティック・プロンプト(SP)手法を提案する。 提案手法は,1ショットの学習精度を平均3.67%向上させることにより,有望な結果が得られる。
  論文  参考訳（メタデータ） (2023-03-24T16:32:19Z)
• Containing a spread through sequential learning: to exploit or to explore? [11.86456063377268]
  我々は、所定の試験予算の下で、累積感染を抑えるためのテストおよび隔離戦略を設計する。 ネットワークや拡散のパラメータによって,様々な合成データネットワークや実データネットワークにおけるエクスプロイトよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-03-01T00:13:52Z)
• Natural Attribute-based Shift Detection [26.093019230426442]
  視覚、言語、医療において、トレーニングディストリビューションとは異なる分布からのサンプルの予測不可能な振る舞いは、デプロイメントにおいて深刻な問題を引き起こします。 ニューラルネットワークベースの分類器の信頼性を高めるために、我々は新しいタスク、自然属性ベースのシフト(NAS)検出を定義する。 既存のデータセットに存在する自然な属性を用いて、NAS検出のための視覚、言語、医療のベンチマークデータセットを導入する。
  論文  参考訳（メタデータ） (2021-10-18T13:15:59Z)
• Trash to Treasure: Harvesting OOD Data with Cross-Modal Matching for Open-Set Semi-Supervised Learning [101.28281124670647]
  オープンセット半教師付き学習(Open-set SSL)では、ラベルなしデータにOOD(Out-of-distribution)サンプルを含む、難しいが実用的なシナリオを調査する。 我々は、OODデータの存在を効果的に活用し、特徴学習を増強する新しいトレーニングメカニズムを提案する。 我々のアプローチは、オープンセットSSLのパフォーマンスを大幅に向上させ、最先端技術よりも大きなマージンで性能を向上します。
  論文  参考訳（メタデータ） (2021-08-12T09:14:44Z)
• Triggering Failures: Out-Of-Distribution detection by learning from local adversarial attacks in Semantic Segmentation [76.2621758731288]
  セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。 私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。 3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-08-03T17:09:56Z)
• Unsupervised Transfer Learning for Spatiotemporal Predictive Networks [90.67309545798224]
  我々は、教師なし学習されたモデルの動物園から別のネットワークへ知識を伝達する方法を研究する。 私たちのモチベーションは、モデルは異なるソースからの複雑なダイナミクスを理解することが期待されていることです。 提案手法は,時間的予測のための3つのベンチマークで大幅に改善され,重要度が低いベンチマークであっても,ターゲットのメリットが得られた。
  論文  参考訳（メタデータ） (2020-09-24T15:40:55Z)

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。