論文の概要: AggregHate: An Efficient Aggregative Approach for the Detection of Hatemongers on Social Platforms
- arxiv url: http://arxiv.org/abs/2409.14464v1
- Date: Sun, 22 Sep 2024 14:29:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-06 22:41:53.142438
- Title: AggregHate: An Efficient Aggregative Approach for the Detection of Hatemongers on Social Platforms
- Title（参考訳）: AggregHate: ソーシャルプラットフォーム上でのハトモンガー検出のための効果的なアグリゲーティブアプローチ
- Authors: Tom Marzea, Abraham Israeli, Oren Tsur,
- Abstract要約: ヘイト・モンガーの検出には,ヘイトフルテキストやユーザ・アクティビティ,ユーザ・ネットワークを考慮し,マルチモーダル・アグリゲーティブ・アプローチを検討する。
本手法は, コーデックメッセージの分類, ドッグホイストリング, 人種的ガスライティングの改善, 介入対策の通知に有効である。
- 参考スコア（独自算出の注目度）: 4.649475179575046
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Automatic detection of online hate speech serves as a crucial step in the detoxification of the online discourse. Moreover, accurate classification can promote a better understanding of the proliferation of hate as a social phenomenon. While most prior work focus on the detection of hateful utterances, we argue that focusing on the user level is as important, albeit challenging. In this paper we consider a multimodal aggregative approach for the detection of hate-mongers, taking into account the potentially hateful texts, user activity, and the user network. We evaluate our methods on three unique datasets X (Twitter), Gab, and Parler showing that a processing a user's texts in her social context significantly improves the detection of hate mongers, compared to previously used text and graph-based methods. Our method can be then used to improve the classification of coded messages, dog-whistling, and racial gas-lighting, as well as inform intervention measures. Moreover, our approach is highly efficient even for very large datasets and networks.
- Abstract（参考訳）: オンラインヘイトスピーチの自動検出は、オンライン言論の解毒における重要なステップである。
さらに、正確な分類は、社会現象としての憎悪の拡散をよりよく理解する上で有効である。
これまでの作業のほとんどは、憎しみのある発話の検出に重点を置いていますが、ユーザレベルへのフォーカスは重要でありながら、難しいものです。
本稿では,ヘイト・モニュメントを検知するためのマルチモーダル・アグリゲーション・アプローチについて考察し,ヘイト・モニュメントやユーザ・アクティビティ,ユーザ・ネットワークを考慮に入れた。
X(Twitter)、Gab、Parlerの3つのユニークなデータセットから,ユーザのテキストをソーシャルコンテキストで処理することで,これまで使用されていたテキストやグラフベースの手法と比較して,ヘイトモンガーの検出が大幅に向上することを示す。
提案手法は, コード化されたメッセージの分類, ドッグホイストリング, 人種的ガス照明の改善, および介入措置の通知に利用することができる。
さらに、我々のアプローチは非常に大きなデータセットやネットワークに対しても非常に効率的です。
関連論文リスト
- Decoding the Silent Majority: Inducing Belief Augmented Social Graph
with Large Language Model for Response Forecasting [74.68371461260946]
SocialSenseは、既存のソーシャルネットワーク上に信念中心のグラフを誘導するフレームワークであり、グラフベースの伝播によって社会的ダイナミクスを捉える。
本手法は,ゼロショット設定と教師あり設定の両方に対する実験的な評価において,既存の最先端技術を超えている。
論文 参考訳（メタデータ） (2023-10-20T06:17:02Z) - Countering Malicious Content Moderation Evasion in Online Social
Networks: Simulation and Detection of Word Camouflage [64.78260098263489]
ツイストとカモフラージュキーワードは、プラットフォームコンテンツモデレーションシステムを回避する最もよく使われるテクニックである。
本稿では,コンテンツ回避の新たな手法をシミュレートし,検出する多言語ツールを開発することにより,悪意ある情報に対する対処に大きく貢献する。
論文 参考訳（メタデータ） (2022-12-27T16:08:49Z) - A New Generation of Perspective API: Efficient Multilingual
Character-level Transformers [66.9176610388952]
Google JigsawのAspective APIの次期バージョンの基礎を提示する。
このアプローチの中心は、単一の多言語トークンフリーなCharformerモデルである。
静的な語彙を強制することで、さまざまな設定で柔軟性が得られます。
論文 参考訳（メタデータ） (2022-02-22T20:55:31Z) - Deep Learning for Hate Speech Detection: A Comparative Study [54.42226495344908]
ここでは, ディープ・ヘイト・音声検出法と浅いヘイト・音声検出法を大規模に比較した。
私たちの目標は、この地域の進歩を照らし、現在の最先端の強みと弱点を特定することです。
そこで我々は,ヘイトスピーチ検出の実践的利用に関するガイダンスの提供,最先端の定量化,今後の研究方向の特定を目的としている。
論文 参考訳（メタデータ） (2022-02-19T03:48:20Z) - Addressing the Challenges of Cross-Lingual Hate Speech Detection [115.1352779982269]
本稿では,低リソース言語におけるヘイトスピーチ検出を支援するために,言語間移動学習に着目した。
言語間単語の埋め込みを利用して、ソース言語上でニューラルネットワークシステムをトレーニングし、ターゲット言語に適用します。
本研究では,ヘイトスピーチデータセットのラベル不均衡の問題について検討する。なぜなら,ヘイトサンプルと比較して非ヘイトサンプルの比率が高いことがモデル性能の低下につながることが多いからだ。
論文 参考訳（メタデータ） (2022-01-15T20:48:14Z) - Relational Graph Neural Networks for Fraud Detection in a Super-App
environment [53.561797148529664]
スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。
我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。
以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
論文 参考訳（メタデータ） (2021-07-29T00:02:06Z) - Tackling Racial Bias in Automated Online Hate Detection: Towards Fair
and Accurate Classification of Hateful Online Users Using Geometric Deep
Learning [2.385774752937891]
本論文では, ソーシャルネットワーク情報を取り入れることで, より公平で正確なヘイトフルなユーザ検出システムの開発方法を検討する。
ジオメトリックディープラーニングは、情報豊富なネットワーク表現を動的に学習し、見えないノードに一般化することができる。
最も正確で公平な分類器を生成し、AUCのスコアはデータセット全体の90.8%である。
論文 参考訳（メタデータ） (2021-03-22T13:08:11Z) - DeepHate: Hate Speech Detection via Multi-Faceted Text Representations [8.192671048046687]
DeepHateは、単語埋め込み、感情、トピック情報などの多面的なテキスト表現を組み合わせた、新しいディープラーニングモデルです。
大規模な実験を行い、3つの大規模公開現実世界のデータセットでDeepHateを評価します。
論文 参考訳（メタデータ） (2021-03-14T16:11:30Z) - Leveraging cross-platform data to improve automated hate speech
detection [0.0]
ヘイトスピーチ検出のための既存のアプローチは、単一のソーシャルメディアプラットフォームを独立して重視している。
本稿では,異なるプラットフォームからの複数のデータセットと分類モデルを活用するヘイトスピーチを検出するための,クロスプラットフォームアプローチを提案する。
このアプローチが既存のモデルより優れていることを実証し、新しいソーシャルメディアプラットフォームからのメッセージでテストすると、優れたパフォーマンスが得られることを示す。
論文 参考訳（メタデータ） (2021-02-09T15:52:34Z) - Detecting Online Hate Speech: Approaches Using Weak Supervision and
Network Embedding Models [2.3322477552758234]
本研究では,ヘイトフルユーザを定量的に発見する弱監督型深層学習モデルを提案する。
我々は、19.2Mの投稿において、我々のモデルを評価し、我々の弱い監督モデルは、間接的に憎悪的な相互作用を識別するベースラインモデルよりも優れていることを示す。
また,Gabにおける2種類のユーザインタラクション(引用と応答)と,弱監督モデルからのインタラクションスコアをエッジウェイトとして分析し,ヘイトフルユーザを予測する。
論文 参考訳（メタデータ） (2020-07-24T18:13:52Z)
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。