Fugu-MT 論文翻訳(概要): Sequential Classification of Misinformation

論文の概要: Sequential Classification of Misinformation

arxiv url: http://arxiv.org/abs/2409.04860v1
Date: Sat, 7 Sep 2024 15:43:19 GMT
ステータス: 翻訳完了
システム内更新日: 2024-09-10 20:20:37.050983
Title: Sequential Classification of Misinformation
Title（参考訳）: 誤情報の逐次分類
Authors: Daniel Toma, Wasim Huleihel,
Abstract要約: ソーシャルメディアプラットフォームは、真」と「一部真」と「偽」の情報を区別したいかもしれない。本稿では,情報フローのオンライン多クラス分類の問題について考察する。 2つの検出アルゴリズムを提案する。1つはよく知られた多重逐次確率比テストに基づいており、もう1つは新しいグラフニューラルネットワークに基づく逐次決定アルゴリズムである。
参考スコア（独自算出の注目度）: 4.557963624437785
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In recent years there have been a growing interest in online auditing of information flow over social networks with the goal of monitoring undesirable effects, such as, misinformation and fake news. Most previous work on the subject, focus on the binary classification problem of classifying information as fake or genuine. Nonetheless, in many practical scenarios, the multi-class/label setting is of particular importance. For example, it could be the case that a social media platform may want to distinguish between ``true", ``partly-true", and ``false" information. Accordingly, in this paper, we consider the problem of online multiclass classification of information flow. To that end, driven by empirical studies on information flow over real-world social media networks, we propose a probabilistic information flow model over graphs. Then, the learning task is to detect the label of the information flow, with the goal of minimizing a combination of the classification error and the detection time. For this problem, we propose two detection algorithms; the first is based on the well-known multiple sequential probability ratio test, while the second is a novel graph neural network based sequential decision algorithm. For both algorithms, we prove several strong statistical guarantees. We also construct a data driven algorithm for learning the proposed probabilistic model. Finally, we test our algorithms over two real-world datasets, and show that they outperform other state-of-the-art misinformation detection algorithms, in terms of detection time and classification error.
Abstract（参考訳）: 近年,誤報やフェイクニュースなどの望ましくない効果を監視することを目的とした,ソーシャルネットワーク上の情報フローのオンライン監査への関心が高まっている。これまでの研究は、情報のニセモノや真偽を分類する二項分類問題に重点を置いていた。しかし、多くの実践的なシナリオでは、マルチクラス/ラベル設定が特に重要である。例えば、ソーシャルメディアプラットフォームが `true", ``partly-true", ``false" 情報を区別したい場合もあります。そこで本稿では,情報フローのオンライン多クラス分類の問題について考察する。そこで本研究では,実世界のソーシャルメディアネットワーク上での情報フローに関する実証的研究により,グラフ上の確率的情報フローモデルを提案する。そして、学習課題は、分類誤差と検出時間との組合せを最小化することを目的として、情報フローのラベルを検出することである。この問題に対して、我々は2つの検出アルゴリズムを提案する。1つはよく知られた多重逐次確率比テストに基づいており、もう1つは新しいグラフニューラルネットワークに基づくシーケンシャル決定アルゴリズムである。どちらのアルゴリズムも、いくつかの強い統計的保証を証明している。また,提案した確率モデルを学習するためのデータ駆動アルゴリズムを構築した。最後に、我々のアルゴリズムを2つの実世界のデータセット上でテストし、検出時間と分類誤差の観点から、他の最先端の誤情報検出アルゴリズムよりも優れていることを示す。

関連論文リスト

Learnability Gaps of Strategic Classification [68.726857356532]
我々は,戦略的分類と標準学習の間にある学習可能性のギャップという,根本的な問題に対処することに注力する。ほぼ厳密なサンプルの複雑さと後悔の限界を提供し、以前の結果よりも大幅に改善します。この設定における我々のアルゴリズムは、独立して興味を持ち、マルチラベル学習のような他の問題にも適用できる。
論文参考訳（メタデータ） (2024-02-29T16:09:19Z)
LOSS-GAT: Label Propagation and One-Class Semi-Supervised Graph Attention Network for Fake News Detection [2.6396287656676725]
Loss-GATは、フェイクニュース検出のための半教師付き一級アプローチである。我々は、ニュースを関心(フェイク)と非関心(リアル)の2つのグループに分類するために、2段階のラベル伝搬アルゴリズムを用いる。
論文参考訳（メタデータ） (2024-02-13T12:02:37Z)
Online Auditing of Information Flow [4.557963624437785]
本稿では,ニュース項目を偽物や真偽と分類することを目的として,情報の流れ・伝播のオンライン監査の問題点を考察する。グラフによってモデル化されたネットワーク上での確率的マルコフ情報拡散モデルを提案する。上記のリスクを最小化する最適検出アルゴリズムを発見し,いくつかの統計的保証を証明した。
論文参考訳（メタデータ） (2023-10-23T06:03:55Z)
Multiclass classification utilising an estimated algorithmic probability prior [0.5156484100374058]
我々は,アルゴリズム情報理論,特にアルゴリズム的確率が,機械学習タスクにどのように役立つかを研究する。この研究は、アルゴリズムの確率が具体的な実世界の機械学習問題にどのように役立つかを示す最初の1つである。
論文参考訳（メタデータ） (2022-12-14T07:50:12Z)
Towards Diverse Evaluation of Class Incremental Learning: A Representation Learning Perspective [67.45111837188685]
クラスインクリメンタル学習(CIL)アルゴリズムは、インクリメンタルに到着したデータから新しいオブジェクトクラスを継続的に学習することを目的としている。表現学習における様々な評価プロトコルを用いて,CILアルゴリズムによって訓練されたニューラルネットワークモデルを実験的に解析する。
論文参考訳（メタデータ） (2022-06-16T11:44:11Z)
A Novel Resampling Technique for Imbalanced Dataset Optimization [1.0323063834827415]
まれなイベントの分類は、詐欺取引、マルウェアトラフィック分析、ネットワーク侵入検出など、多くのドメインで一般的な問題です。我々は,クラス不均衡問題に対処する2種類の1-Nearest Neighbour (G1Nos)オーバーサンプリングアルゴリズムを開発した。
論文参考訳（メタデータ） (2020-12-30T17:17:08Z)
Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
線形多クラス分類の最初の現代的精度解析を行う。分析の結果,分類精度は分布に依存していることがわかった。得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
論文参考訳（メタデータ） (2020-11-16T05:17:29Z)
FairCVtest Demo: Understanding Bias in Multimodal Learning with a Testbed in Fair Automatic Recruitment [79.23531577235887]
このデモは、非構造化データから機密情報を抽出する採用ツールの背後にある人工知能(AI)の能力を示しています。また、このデモには差別認識学習のための新しいアルゴリズムが含まれており、マルチモーダルAIフレームワークの機密情報を排除している。
論文参考訳（メタデータ） (2020-09-12T17:45:09Z)
Information Theoretic Meta Learning with Gaussian Processes [74.54485310507336]
情報理論の概念,すなわち相互情報と情報のボトルネックを用いてメタ学習を定式化する。相互情報に対する変分近似を用いることで、メタ学習のための汎用的かつトラクタブルな枠組みを導出する。
論文参考訳（メタデータ） (2020-09-07T16:47:30Z)
Active Learning on Attributed Graphs via Graph Cognizant Logistic Regression and Preemptive Query Generation [37.742218733235084]
本稿では,属性グラフにおけるノード分類処理のための新しいグラフベース能動学習アルゴリズムを提案する。提案アルゴリズムは,線形化グラフ畳み込みニューラルネットワーク(GCN)と等価なグラフ認識ロジスティック回帰を用いて,予測フェーズの誤差低減を最大化する。 5つの公開ベンチマークデータセットで実験を行い、最先端のアプローチよりも大幅に改善されていることを示す。
論文参考訳（メタデータ） (2020-07-09T18:00:53Z)
ReMarNet: Conjoint Relation and Margin Learning for Small-Sample Image Classification [49.87503122462432]
ReMarNet(Relation-and-Margin Learning Network)と呼ばれるニューラルネットワークを導入する。本手法は,上記2つの分類機構の双方において優れた性能を発揮する特徴を学習するために,異なるバックボーンの2つのネットワークを組み立てる。 4つの画像データセットを用いた実験により,本手法はラベル付きサンプルの小さな集合から識別的特徴を学習するのに有効であることが示された。
論文参考訳（メタデータ） (2020-06-27T13:50:20Z)

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。