論文の概要: Multimodal Clickbait Detection by De-confounding Biases Using Causal Representation Inference

• arxiv url: http://arxiv.org/abs/2410.07673v1
• Date: Thu, 10 Oct 2024 07:29:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-31 15:36:27.072299
• Title: Multimodal Clickbait Detection by De-confounding Biases Using Causal Representation Inference
• Title（参考訳）: 因果表現推論を用いた分解バイアスによるマルチモーダルクリックベイト検出
• Authors: Jianxing Yu, Shiqi Wang, Han Yin, Zhenlong Sun, Ruobing Xie, Bo Zhang, Yanghui Rao,
• Abstract要約: 本稿では,ウェブ上でのクリックベイト投稿の検出に焦点をあてる。 これらの投稿は、ユーザーが利益のためにクリックすることを誤解させるために、様々なモダリティで目を引く偽情報を使うことが多い。 悪質なクリエーターは、無関係なノンベイトコンテンツを餌のポストに追加するためにトリックを使っており、検知器を騙すために合法的な服装を施している。
• 参考スコア（独自算出の注目度）: 35.82337433829
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper focuses on detecting clickbait posts on the Web. These posts often use eye-catching disinformation in mixed modalities to mislead users to click for profit. That affects the user experience and thus would be blocked by content provider. To escape detection, malicious creators use tricks to add some irrelevant non-bait content into bait posts, dressing them up as legal to fool the detector. This content often has biased relations with non-bait labels, yet traditional detectors tend to make predictions based on simple co-occurrence rather than grasping inherent factors that lead to malicious behavior. This spurious bias would easily cause misjudgments. To address this problem, we propose a new debiased method based on causal inference. We first employ a set of features in multiple modalities to characterize the posts. Considering these features are often mixed up with unknown biases, we then disentangle three kinds of latent factors from them, including the invariant factor that indicates intrinsic bait intention; the causal factor which reflects deceptive patterns in a certain scenario, and non-causal noise. By eliminating the noise that causes bias, we can use invariant and causal factors to build a robust model with good generalization ability. Experiments on three popular datasets show the effectiveness of our approach.
• Abstract（参考訳）: 本稿では,ウェブ上でのクリックベイト投稿の検出に焦点をあてる。 これらの投稿は、ユーザーが利益のためにクリックすることを誤解させるために、様々なモダリティで目を引く偽情報を使うことが多い。 これはユーザエクスペリエンスに影響するため、コンテンツプロバイダによってブロックされることになる。 悪質なクリエーターは、検出から逃れるために、無関係な非ベイトコンテンツを餌の投稿に追加するトリックを使って、検出を騙すために合法的な服装を施している。 この内容は、しばしば非ベイトラベルとの関係に偏りがあるが、従来の検出器は、悪意のある行動を引き起こす固有の要因を把握するのではなく、単純な共起に基づく予測を行う傾向にある。 この急激な偏見は容易に誤報を引き起こす。 そこで本研究では,因果推論に基づく新しい脱バイアス手法を提案する。 私たちはまず、ポストを特徴付けるために、複数のモダリティの一連の機能を使用します。 これらの特徴は、しばしば未知のバイアスと混同されるため、本質的な餌の意図を示す不変因子、特定のシナリオにおける欺くパターンを反映する因果因子、非因果雑音を含む3種類の潜伏因子を分離する。 バイアスを引き起こすノイズを除去することにより、不変および因果因子を用いて、優れた一般化能力を持つロバストモデルを構築することができる。 3つの一般的なデータセットの実験は、我々のアプローチの有効性を示している。

関連論文リスト

• Causal Walk: Debiasing Multi-Hop Fact Verification with Front-Door Adjustment [27.455646975256986]
  因果ウォーク(Causal Walk)は、因果的視点からマルチホップ事実検証を嫌悪する新しい方法である。 その結果、Causal Walkは既存のデータセットと新しく構築されたデータセットの両方において、過去のデバイアス手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-03-05T06:28:02Z)
• Revisiting the Dataset Bias Problem from a Statistical Perspective [72.94990819287551]
  統計的観点から「データセットバイアス」問題を考察する。 問題の主な原因は、クラス属性 u と非クラス属性 b の強い相関関係である。 本稿では,各試料nの目的をフラクタル1p(u_n|b_n)で重み付けするか,その試料をフラクタル1p(u_n|b_n)に比例してサンプリングすることにより,データセットバイアスを軽減することを提案する。
  論文  参考訳（メタデータ） (2024-02-05T22:58:06Z)
• Bias-Conflict Sample Synthesis and Adversarial Removal Debias Strategy for Temporal Sentence Grounding in Video [67.24316233946381]
  TSGV(Temporal Sentence Grounding in Video)は、データセットバイアスの問題に悩まされている。 偏りを伴うサンプル合成と逆行性除去脱バイアス戦略(BSSARD)を提案する。
  論文  参考訳（メタデータ） (2024-01-15T09:59:43Z)
• Robustly Improving Bandit Algorithms with Confounded and Selection Biased Offline Data: A Causal Approach [18.13887411913371]
  本稿では,エージェントが各アームの報酬分布の推定を改善するために使用可能なオフラインデータにアクセス可能な帯域幅問題について検討する。 我々はバイアスを、それらが示唆する因果構造に基づいて、矛盾するバイアスと選択バイアスに分類する。 我々は、偏りのある観測データから、複合バイアスに対して頑健な各腕の因果関係を抽出する。
  論文  参考訳（メタデータ） (2023-12-20T03:03:06Z)
• Look Beyond Bias with Entropic Adversarial Data Augmentation [4.893694715581673]
  ディープニューラルネットワークは、スパイラルパターンと因果パターンを区別せず、他を無視しながら最も予測的なパターンのみを学ぶ。 ネットワークをこのような刺激的なバイアスに頑健にするためにデバイアス法が開発されたが、データセットがバイアスを受けているかどうかを事前に知る必要がある。 本稿では,「隠された」因果情報がバイアス画像に含まれる場合が多いため,このようなサンプルは必ずしも必要ではない,と論じる。
  論文  参考訳（メタデータ） (2023-01-10T08:25:24Z)
• Self-supervised debiasing using low rank regularization [59.84695042540525]
  純粋な相関は、ディープニューラルネットワークの強いバイアスを引き起こし、一般化能力を損なう可能性がある。 ラベルのないサンプルと互換性のある自己監督型脱バイアスフレームワークを提案する。 注目すべきは,提案フレームワークが自己教師付き学習ベースラインの一般化性能を著しく向上させることである。
  論文  参考訳（メタデータ） (2022-10-11T08:26:19Z)
• Causal Intervention for Fairness in Multi-behavior Recommendation [40.938727601434195]
  異なるユーザ行動(例えば変換率)間の関係は、実際にはアイテムの品質を反映している、と我々は主張する。 本稿では,不公平な問題に対処するため,複数のユーザの行動を考慮した人気バイアスを軽減することを提案する。
  論文  参考訳（メタデータ） (2022-09-10T04:21:25Z)
• D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling Algorithmic Bias [57.87117733071416]
  D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。 ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。 それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
  論文  参考訳（メタデータ） (2022-08-10T03:41:48Z)
• The Bandwagon Effect: Not Just Another Bias [13.579420996461439]
  バンドワゴン効果は統計バイアスの問題とみなすべきではない。 関係性推定における収束性に関する問題セットを導入し,不整合性を持たせることができることを示す。 この研究は、バンドワゴン効果が、推奨におけるよく研究された選択バイアスと根本的に異なる、未解明のオープンな問題を生じさせることを示すことを目的としている。
  論文  参考訳（メタデータ） (2022-06-25T17:24:35Z)
• Information Consumption and Social Response in a Segregated Environment: the Case of Gab [74.5095691235917]
  この研究は、COVID-19トピックに関するGab内のインタラクションパターンの特徴を提供する。 疑わしい、信頼できるコンテンツに対する社会的反応には、統計的に強い違いはない。 本研究は,協調した不正確な行動の理解と情報操作の早期警戒に関する知見を提供する。
  論文  参考訳（メタデータ） (2020-06-03T11:34:25Z)

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。