論文の概要: Epidemiology-informed Network for Robust Rumor Detection

• arxiv url: http://arxiv.org/abs/2411.12949v1
• Date: Wed, 20 Nov 2024 00:43:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-21 16:11:24.528663
• Title: Epidemiology-informed Network for Robust Rumor Detection
• Title（参考訳）: ロバスト騒音検出のための疫学的インフォームドネットワーク
• Authors: Wei Jiang, Tong Chen, Xinyi Gao, Wentao Zhang, Lizhen Cui, Hongzhi Yin,
• Abstract要約: 本稿では, 疫学知識を統合し, 性能を高めるための新しい疫学情報ネットワーク(EIN)を提案する。 疫学理論をうわさ検出に適応させるため,各利用者が情報源情報に対する姿勢を付加することが期待されている。 実験結果から,提案したEINは実世界のデータセット上で最先端の手法より優れるだけでなく,樹木の深度にまたがる堅牢性も向上することが示された。
• 参考スコア（独自算出の注目度）: 59.89351792706995
• License:
• Abstract: The rapid spread of rumors on social media has posed significant challenges to maintaining public trust and information integrity. Since an information cascade process is essentially a propagation tree, recent rumor detection models leverage graph neural networks to additionally capture information propagation patterns, thus outperforming text-only solutions. Given the variations in topics and social impact of the root node, different source information naturally has distinct outreach capabilities, resulting in different heights of propagation trees. This variation, however, impedes the data-driven design of existing graph-based rumor detectors. Given a shallow propagation tree with limited interactions, it is unlikely for graph-based approaches to capture sufficient cascading patterns, questioning their ability to handle less popular news or early detection needs. In contrast, a deep propagation tree is prone to noisy user responses, and this can in turn obfuscate the predictions. In this paper, we propose a novel Epidemiology-informed Network (EIN) that integrates epidemiological knowledge to enhance performance by overcoming data-driven methods sensitivity to data quality. Meanwhile, to adapt epidemiology theory to rumor detection, it is expected that each users stance toward the source information will be annotated. To bypass the costly and time-consuming human labeling process, we take advantage of large language models to generate stance labels, facilitating optimization objectives for learning epidemiology-informed representations. Our experimental results demonstrate that the proposed EIN not only outperforms state-of-the-art methods on real-world datasets but also exhibits enhanced robustness across varying tree depths.
• Abstract（参考訳）: ソーシャルメディア上の噂が急速に広まり、公衆の信頼と情報の整合性を維持する上で大きな課題が持ち上がった。 情報カスケードプロセスは基本的に伝搬木であるため、近年のうわさ検出モデルでは、グラフニューラルネットワークを利用して情報伝達パターンを付加的にキャプチャし、テキストのみのソリューションより優れた結果が得られる。 ルートノードのトピックや社会的影響の変化を考えると、異なるソース情報には自然に異なるアウトリーチ能力があり、伝播木の高さが異なる。 しかし、この変化は既存のグラフベースの噂検出器のデータ駆動設計を妨げる。 相互作用が限られている浅い伝搬木を考えると、グラフベースのアプローチが十分なカスケードパターンをキャプチャし、あまり人気のないニュースや早期発見のニーズに対処する能力に疑問を投げかける可能性は低い。 対照的に、深い伝搬木はノイズの多いユーザ応答に傾向があり、それによって予測が難解になる可能性がある。 本稿では,データ駆動型データ品質に敏感な手法を克服し,疫学知識を統合して性能を向上させる新しい疫学情報ネットワーク(EIN)を提案する。 一方、疫学理論をうわさ検出に適応させるため、各利用者が情報源情報にスタンスを取ろうとしてアノテートされることが期待されている。 コストと時間を要する人間のラベル付けプロセスを回避するため、我々は大規模な言語モデルを利用してスタンスラベルを生成し、疫学で表現された表現を学習するための最適化目的を容易にする。 実験結果から,提案したEINは実世界のデータセット上で最先端の手法より優れるだけでなく,樹木の深度にまたがる堅牢性も向上することが示された。

関連論文リスト

• Semantic Evolvement Enhanced Graph Autoencoder for Rumor Detection [25.03964361177406]
  本稿では,GARDモデルのための新しい意味進化拡張グラフオートエンコーダを提案する。 このモデルは、局所的な意味変化とグローバルな意味進化情報をキャプチャすることで、事象の意味進化情報を学ぶ。 噂や非噂の異なるパターンを学習するモデルの能力を高めるために,モデルの性能をさらに向上させるレギュレータを導入する。
  論文  参考訳（メタデータ） (2024-04-24T05:05:58Z)
• Graph Out-of-Distribution Generalization via Causal Intervention [69.70137479660113]
  本稿では,ノードレベルの分散シフトの下で頑健なグラフニューラルネットワーク(GNN)をトレーニングするための,概念的に単純だが原則化されたアプローチを提案する。 本手法は,環境推定器と熟練GNN予測器を協調する因果推論に基づく新たな学習目標を提案する。 本モデルでは,様々な分散シフトによる一般化を効果的に向上し,グラフOOD一般化ベンチマーク上での最先端の精度を最大27.4%向上させることができる。
  論文  参考訳（メタデータ） (2024-02-18T07:49:22Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Predicting Biomedical Interactions with Probabilistic Model Selection for Graph Neural Networks [5.156812030122437]
  現在の生物学的ネットワークは、ノイズ、スパース、不完全であり、そのような相互作用の実験的同定には時間と費用がかかる。 ディープグラフニューラルネットワークは、グラフ構造データモデリングの有効性を示し、バイオメディカル相互作用予測において優れた性能を達成した。 提案手法により,グラフ畳み込みネットワークは,その深度を動的に適応し,対話数の増加に対応することができる。
  論文  参考訳（メタデータ） (2022-11-22T20:44:28Z)
• 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)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• DisenHAN: Disentangled Heterogeneous Graph Attention Network for Recommendation [11.120241862037911]
  不均一な情報ネットワークは、リコメンデータシステムにおけるスパーシリティとコールドスタートの問題を軽減するために広く利用されている。 そこで本稿では,非交叉不均質グラフアテンションネットワークDisenHANについて,トップ$N$のレコメンデーションを提案する。
  論文  参考訳（メタデータ） (2021-06-21T06:26:10Z)
• Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
  本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。 本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。 我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
  論文  参考訳（メタデータ） (2020-06-16T18:45:20Z)

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。