論文の概要: GETAE: Graph information Enhanced deep neural NeTwork ensemble ArchitecturE for fake news detection

• arxiv url: http://arxiv.org/abs/2412.01825v1
• Date: Mon, 02 Dec 2024 18:59:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:50:35.194182
• Title: GETAE: Graph information Enhanced deep neural NeTwork ensemble ArchitecturE for fake news detection
• Title（参考訳）: GETAE:偽ニュース検出のためのグラフ情報強化ディープニューラルNeTworkアンサンブルアーキテクチャ
• Authors: Ciprian-Octavian Truică, Elena-Simona Apostol, Marius Marogel, Adrian Paschke,
• Abstract要約: GETAEは、テキストコンテンツとソーシャルインタラクションを使って偽ニュースの検出を改善する新しいアンサンブルアーキテクチャである。 実際に公開されている2つのデータセットであるTwitter15とTwitter16で得られた実験結果は、このアプローチがフェイクニュースの検出を改善し、最先端モデルを上回ることを証明している。
• 参考スコア（独自算出の注目度）: 0.42373430834902426
• License:
• Abstract: In today's digital age, fake news has become a major problem that has serious consequences, ranging from social unrest to political upheaval. To address this issue, new methods for detecting and mitigating fake news are required. In this work, we propose to incorporate contextual and network-aware features into the detection process. This involves analyzing not only the content of a news article but also the context in which it was shared and the network of users who shared it, i.e., the information diffusion. Thus, we propose GETAE, \underline{G}raph Information \underline{E}nhanced Deep Neural Ne\underline{t}work Ensemble \underline{A}rchitectur\underline{E} for Fake News Detection, a novel ensemble architecture that uses textual content together with the social interactions to improve fake news detection. GETAE contains two Branches: the Text Branch and the Propagation Branch. The Text Branch uses Word and Transformer Embeddings and a Deep Neural Network based on feed-forward and bidirectional Recurrent Neural Networks (\textsc{[Bi]RNN}) for learning novel contextual features and creating a novel Text Content Embedding. The Propagation Branch considers the information propagation within the graph network and proposes a Deep Learning architecture that employs Node Embeddings to create novel Propagation Embedding. GETAE Ensemble combines the two novel embeddings, i.e., Text Content Embedding and Propagation Embedding, to create a novel \textit{Propagation-Enhanced Content Embedding} which is afterward used for classification. The experimental results obtained on two real-world publicly available datasets, i.e., Twitter15 and Twitter16, prove that using this approach improves fake news detection and outperforms state-of-the-art models.
• Abstract（参考訳）: 今日のデジタル時代、フェイクニュースは、社会不安から政治的混乱まで、深刻な結果をもたらす主要な問題となっている。 この問題に対処するためには、偽ニュースを検出し緩和する新しい方法が必要である。 本研究では,コンテキスト認識とネットワーク認識の機能を検出プロセスに組み込むことを提案する。 これは、ニュース記事の内容だけでなく、共有されたコンテキストや共有したユーザのネットワーク、すなわち情報拡散を分析することを含む。 そこで本稿では,Fake News Detection のための新しいアンサンブルアーキテクチャである GETAE, \underline{G}raph Information \underline{E}nhanced Deep Neural Ne\underline{t}work Ensemble \underline{A}rchitectur\underline{E} を提案する。 GETAE には Text Branch と Propagation Branch の2つのブランチがある。 Text Branchは、WordとTransformerの埋め込みと、フィードフォワードと双方向のリカレントニューラルネットワーク(\textsc{[Bi]RNN})に基づくDeep Neural Networkを使用して、新しいコンテキスト特徴を学習し、新しいText Content Embeddingを作成する。 Propagation Branchはグラフネットワーク内の情報伝達を検討し、新しいPropagation Embeddingを作成するためにNode Embeddingsを使用するDeep Learningアーキテクチャを提案する。 GETAE Ensembleは、テキストコンテンツ埋め込みとプロパゲーション埋め込みという2つの新しい埋め込みを組み合わせることで、その後分類に使用される新しい「textit{Propagation-Enhanced Content Embedding}」を作成する。 実際に公開されている2つのデータセット、すなわちTwitter15とTwitter16で得られた実験結果は、このアプローチを使用することで偽ニュースの検出が改善し、最先端モデルを上回っていることを証明している。

関連論文リスト

• Description-Enhanced Label Embedding Contrastive Learning for Text Classification [65.01077813330559]
  モデル学習プロセスにおける自己監督型学習(SSL)と新しい自己監督型関係関係(R2)分類タスクの設計 テキスト分類とR2分類を最適化対象として扱うテキスト分類のための関係学習ネットワーク(R2-Net)の関係について検討する。 ラベルセマンティックラーニングのためのマルチアスペクト記述を得るためのWordNetからの外部知識。
  論文  参考訳（メタデータ） (2023-06-15T02:19:34Z)
• TieFake: Title-Text Similarity and Emotion-Aware Fake News Detection [15.386007761649251]
  本稿では,マルチモーダルな文脈情報と著者の感情を共同でモデル化し,テキストの類似性と感情認識型フェイクニュース検出(TieFake)手法を提案する。 具体的には、BERT と ResNeSt を用いて、テキストや画像の表現を学習し、出版者感情抽出器を用いて、ニュースコンテンツにおける著者の主観的感情をキャプチャする。
  論文  参考訳（メタデータ） (2023-04-19T04:47:36Z)
• Verifying the Robustness of Automatic Credibility Assessment [50.55687778699995]
  入力テキストにおける意味保存的変化がモデルを誤解させる可能性があることを示す。 また、誤情報検出タスクにおける被害者モデルと攻撃方法の両方をテストするベンチマークであるBODEGAについても紹介する。 我々の実験結果によると、現代の大規模言語モデルは、以前のより小さなソリューションよりも攻撃に対して脆弱であることが多い。
  論文  参考訳（メタデータ） (2023-03-14T16:11:47Z)
• DANES: Deep Neural Network Ensemble Architecture for Social and Textual Context-aware Fake News Detection [9.34612743192798]
  DANESは、ソーシャルおよびテキスト対応のフェイクニュース検出のためのディープニューラルネットワークアンサンブルアーキテクチャである。 BuzzFace、Twitter15、Twitter16の3つの実世界のデータセットに対する予備的アブレーションの結果は、最先端のソリューションを上回る精度で期待できる。
  論文  参考訳（メタデータ） (2023-02-01T20:05:53Z)
• TeKo: Text-Rich Graph Neural Networks with External Knowledge [75.91477450060808]
  外部知識を用いた新しいテキストリッチグラフニューラルネットワーク(TeKo)を提案する。 まず、高品質なエンティティを組み込んだフレキシブルな異種セマンティックネットワークを提案する。 次に、構造化三重項と非構造化実体記述という2種類の外部知識を導入する。
  論文  参考訳（メタデータ） (2022-06-15T02:33:10Z)
• Evidential Temporal-aware Graph-based Social Event Detection via Dempster-Shafer Theory [76.4580340399321]
  ETGNN(Evidential Temporal-aware Graph Neural Network)を提案する。 ノードがテキストであり、エッジがそれぞれ複数の共有要素によって決定されるビュー固有グラフを構築する。 ビュー固有の不確実性を考慮すると、すべてのビューの表現は、明らかなディープラーニング(EDL)ニューラルネットワークを介してマス関数に変換される。
  論文  参考訳（メタデータ） (2022-05-24T16:22:40Z)
• Fake News Quick Detection on Dynamic Heterogeneous Information Networks [3.599616699656401]
  偽ニュース検出のための新しい動的不均一グラフニューラルネットワーク(DHGNN)を提案する。 我々はまず、ニュース記事の内容と著者プロファイルのセマンティック表現を得るために、BERTと微調整BERTを実装した。 そして、文脈情報と関係を反映した異質なニュース著者グラフを構築する。
  論文  参考訳（メタデータ） (2022-05-14T11:23:25Z)
• SwinTextSpotter: Scene Text Spotting via Better Synergy between Text Detection and Text Recognition [73.61592015908353]
  本稿では,SwinTextSpotter と呼ばれるシーンテキストスポッティングフレームワークを提案する。 動的頭部を検出器とするトランスを用いて、2つのタスクを新しい認識変換機構で統一する。 この設計は、追加の修正モジュールも文字レベルのアノテーションも必要としない簡潔なフレームワークをもたらす。
  論文  参考訳（メタデータ） (2022-03-19T01:14:42Z)
• Minimally-Supervised Structure-Rich Text Categorization via Learning on Text-Rich Networks [61.23408995934415]
  テキストリッチネットワークから学習することで,最小限に教師付き分類を行う新しいフレームワークを提案する。 具体的には、テキスト理解のためのテキスト解析モジュールと、クラス差別的でスケーラブルなネットワーク学習のためのネットワーク学習モジュールの2つのモジュールを共同でトレーニングします。 実験の結果,1つのカテゴリに3つのシード文書しか与えられず,その精度は約92%であった。
  論文  参考訳（メタデータ） (2021-02-23T04:14:34Z)
• Fake News Detection on News-Oriented Heterogeneous Information Networks through Hierarchical Graph Attention [12.250335118888891]
  階層型グラフ注意ネットワーク(HGAT)という,新たなフェイクニュース検出フレームワークを提案する。 HGATは、新しい階層的な注意機構を使用して、HINでノード表現学習を行い、ニュース記事ノードを分類することでフェイクニュースを検出する。 2つの実世界のフェイクニュースデータセットの実験は、HGATがテキストベースのモデルや他のネットワークベースのモデルより優れていることを示している。
  論文  参考訳（メタデータ） (2020-02-05T19:09:13Z)

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。