論文の概要: Why Misinformation is Created? Detecting them by Integrating Intent Features
- arxiv url: http://arxiv.org/abs/2407.19196v1
- Date: Sat, 27 Jul 2024 07:30:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-30 19:21:07.460875
- Title: Why Misinformation is Created? Detecting them by Integrating Intent Features
- Title（参考訳）: なぜ誤報が生まれるのか? 意図的特徴を統合することによって検出する
- Authors: Bing Wang, Ximing Li, Changchun Li, Bo Fu, Songwen Pei, Shengsheng Wang,
- Abstract要約: ソーシャルメディアのプラットフォームは、多くの情報をより効率的に便利に広めることを可能にする。
彼らは必然的に誤報に満ちており、私たちの日常生活の様々な側面にダメージを与えている。
誤情報検出(MD)は、広く注目を集めている研究トピックである。
- 参考スコア（独自算出の注目度）: 25.20744191980224
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Various social media platforms, e.g., Twitter and Reddit, allow people to disseminate a plethora of information more efficiently and conveniently. However, they are inevitably full of misinformation, causing damage to diverse aspects of our daily lives. To reduce the negative impact, timely identification of misinformation, namely Misinformation Detection (MD), has become an active research topic receiving widespread attention. As a complex phenomenon, the veracity of an article is influenced by various aspects. In this paper, we are inspired by the opposition of intents between misinformation and real information. Accordingly, we propose to reason the intent of articles and form the corresponding intent features to promote the veracity discrimination of article features. To achieve this, we build a hierarchy of a set of intents for both misinformation and real information by referring to the existing psychological theories, and we apply it to reason the intent of articles by progressively generating binary answers with an encoder-decoder structure. We form the corresponding intent features and integrate it with the token features to achieve more discriminative article features for MD. Upon these ideas, we suggest a novel MD method, namely Detecting Misinformation by Integrating Intent featuRes (DM-INTER). To evaluate the performance of DM-INTER, we conduct extensive experiments on benchmark MD datasets. The experimental results validate that DM-INTER can outperform the existing baseline MD methods.
- Abstract（参考訳）: さまざまなソーシャルメディアプラットフォーム、例えばTwitterやRedditは、多くの情報をより効率的に便利に広めることを可能にする。
しかし、彼らは必然的に誤報に満ちており、私たちの日常生活の様々な側面にダメージを与えている。
ネガティブな影響を低減するため、誤情報検出(MD)という誤情報のタイムリーな識別が、広く注目を集めている研究トピックとなっている。
複雑な現象として、記事の正確性は様々な側面に影響される。
本稿では,誤情報と実情報との意図の対立から着想を得た。
そこで本稿では,記事の意図を推論し,それに対応する意図的特徴を定式化し,記事の特徴の妥当性の識別を促進することを提案する。
これを実現するために,既存の心理学的理論を参照して,誤情報と実情報の両方に対する意図の集合の階層を構築し,エンコーダ・デコーダ構造を用いて2進的な回答を段階的に生成することによって記事の意図を推論する。
我々は、対応する意図的特徴を定式化し、トークン特徴と統合し、MDのより差別的な記事特徴を達成する。
そこで本研究では,DM-INTER(Intent achievementuRes)の統合による誤情報検出という,新しいMD手法を提案する。
DM-INTERの性能を評価するため,ベンチマークMDデータセットの広範な実験を行った。
実験の結果, DM-INTERは既存のベースラインMD法より優れていることがわかった。
関連論文リスト
- DisTrack: a new Tool for Semi-automatic Misinformation Tracking in Online Social Networks [46.38614083502535]
DisTrackは、自然言語処理(NLP)ソーシャル・ネットワーク・アナリティクス(SNA)とグラフ視覚化を組み合わせることで、誤情報の拡散に対抗するように設計されている。
このツールは、デジタル環境に散在する誤報のダイナミックな性質を捉え、分析するために調整されている。
論文 参考訳（メタデータ） (2024-08-01T15:17:33Z) - Harmfully Manipulated Images Matter in Multimodal Misinformation Detection [22.236455110413264]
MMD(Multimodal Misinformation Detection)は、学術・産業コミュニティから注目を集めている。
我々は,MDD(HAMI-M3D)における新たなHAMI-M3D法,すなわちハーモリー・マニピュレーション・イメージ・マターを提案する。
3つのベンチマークデータセットにわたる大規模な実験は、HAMI-M3Dが任意のMDDベースラインのパフォーマンスを一貫して改善できることを実証することができる。
論文 参考訳（メタデータ） (2024-07-27T07:16:07Z) - MDPE: A Multimodal Deception Dataset with Personality and Emotional Characteristics [37.30869857541657]
マルチモーダル・デシージャ・データセットMDPEを導入する。
このデータセットは、騙しの特徴に加えて、個性や感情的表現の特徴の個人差情報も含んでいる。
193人の被験者による104時間以上の騙しと感情的なビデオで構成されている。
論文 参考訳（メタデータ） (2024-07-17T02:44:26Z) - The Future of Combating Rumors? Retrieval, Discrimination, and Generation [5.096418029931098]
人工知能生成コンテンツ(AIGC)技術開発は、誤情報による噂の作成を促進する。
現在の噂検出努力は、誤報を単にラベル付けするだけで不足している。
提案手法は,噂を検知するだけでなく,情報の有効性を否定する説明的コンテンツも提供する。
論文 参考訳（メタデータ） (2024-03-29T14:32:41Z) - Detecting and Grounding Multi-Modal Media Manipulation and Beyond [93.08116982163804]
マルチモーダルフェイクメディア(DGM4)の新たな研究課題について述べる。
DGM4は、マルチモーダルメディアの真正性を検出するだけでなく、操作されたコンテンツも検出することを目的としている。
本稿では,異なるモーダル間のきめ細かい相互作用を完全に捉えるために,新しい階層型マルチモーダルマニピュレーションrEasoning tRansformer(HAMMER)を提案する。
論文 参考訳（メタデータ） (2023-09-25T15:05:46Z) - ManiTweet: A New Benchmark for Identifying Manipulation of News on Social Media [74.93847489218008]
ソーシャルメディア上でのニュースの操作を識別し,ソーシャルメディア投稿の操作を検出し,操作された情報や挿入された情報を特定することを目的とした,新しいタスクを提案する。
この課題を研究するために,データ収集スキーマを提案し,3.6K対のツイートとそれに対応する記事からなるManiTweetと呼ばれるデータセットをキュレートした。
我々の分析では、このタスクは非常に難しいことを示し、大きな言語モデル(LLM)は不満足なパフォーマンスをもたらす。
論文 参考訳（メタデータ） (2023-05-23T16:40:07Z) - Information Design in Multi-Agent Reinforcement Learning [61.140924904755266]
強化学習(Reinforcement Learning、RL)は、人間の幼児や動物が環境から学ぶ方法にインスパイアされている。
計算経済学の研究は、他者に直接影響を与える2つの方法を蒸留する: 有形物(機械設計)の提供と情報(情報設計)の提供である。
論文 参考訳（メタデータ） (2023-05-08T07:52:15Z) - Uncertainty-Aware Reward-based Deep Reinforcement Learning for Intent
Analysis of Social Media Information [17.25399815431264]
フェイクニュースのスプレッドラーのタイプを、その意図に基づいて取り除くことが重要だ。
フェイクニュースの正しい意図を最もよく識別できる意図分類フレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-19T00:54:33Z) - Do Deep Neural Networks Always Perform Better When Eating More Data? [82.6459747000664]
Identically Independent Distribution(IID)とOut of Distribution(OOD)による実験を設計する。
IID条件下では、情報の量は各サンプルの効果度、サンプルの寄与度、クラス間の差がクラス情報の量を決定する。
OOD条件下では、試料のクロスドメイン度が寄与を決定づけ、無関係元素によるバイアス適合はクロスドメインの重要な要素である。
論文 参考訳（メタデータ） (2022-05-30T15:40:33Z) - 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)
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。