論文の概要: MGM: Global Understanding of Audience Overlap Graphs for Predicting the Factuality and the Bias of News Media

• arxiv url: http://arxiv.org/abs/2412.10467v1
• Date: Thu, 12 Dec 2024 18:37:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 14:03:06.016751
• Title: MGM: Global Understanding of Audience Overlap Graphs for Predicting the Factuality and the Bias of News Media
• Title（参考訳）: MGM:ニュースメディアの事実とバイアスを予測するためのオーディエンスオーバーラップグラフのグローバル理解
• Authors: Muhammad Arslan Manzoor, Ruihong Zeng, Dilshod Azizov, Preslav Nakov, Shangsong Liang,
• Abstract要約: 政治バイアスと事実性のレンズからニュースメディアをプロファイリングする際の分類問題について検討する。 事前学習言語モデル(PLM)やグラフニューラルネットワーク(GNN)といった従来のプロファイリング手法は有望な結果を示している。 本稿では,変分期待最大化(EM)フレームワークにおける有効解であるMediaGraphMind(MGM)を提案する。
• 参考スコア（独自算出の注目度）: 38.09491667371551
• License:
• Abstract: In the current era of rapidly growing digital data, evaluating the political bias and factuality of news outlets has become more important for seeking reliable information online. In this work, we study the classification problem of profiling news media from the lens of political bias and factuality. Traditional profiling methods, such as Pre-trained Language Models (PLMs) and Graph Neural Networks (GNNs) have shown promising results, but they face notable challenges. PLMs focus solely on textual features, causing them to overlook the complex relationships between entities, while GNNs often struggle with media graphs containing disconnected components and insufficient labels. To address these limitations, we propose MediaGraphMind (MGM), an effective solution within a variational Expectation-Maximization (EM) framework. Instead of relying on limited neighboring nodes, MGM leverages features, structural patterns, and label information from globally similar nodes. Such a framework not only enables GNNs to capture long-range dependencies for learning expressive node representations but also enhances PLMs by integrating structural information and therefore improving the performance of both models. The extensive experiments demonstrate the effectiveness of the proposed framework and achieve new state-of-the-art results. Further, we share our repository1 which contains the dataset, code, and documentation
• Abstract（参考訳）: 急速に成長するデジタルデータの時代において、ニュースメディアの政治的偏見と事実性を評価することは、オンライン上で信頼できる情報を求める上でますます重要になっている。 本研究では,政治バイアスと事実性の両面からニュースメディアをプロファイリングする際の分類問題について検討する。 事前学習言語モデル(PLM)やグラフニューラルネットワーク(GNN)といった従来のプロファイリング手法は、有望な結果を示しているが、それらは顕著な課題に直面している。 PLMはテキスト機能のみに重点を置いており、エンティティ間の複雑な関係を見落としている。 これらの制約に対処するため,変分期待最大化(EM)フレームワークにおける効果的なソリューションであるMediaGraphMind(MGM)を提案する。 限られた隣接ノードに頼る代わりに、MGMはグローバルに類似したノードの機能、構造パターン、ラベル情報を活用する。 このようなフレームワークにより、GNNは表現的ノード表現を学習するための長距離依存関係をキャプチャできるだけでなく、構造情報を統合してPLMを強化し、両方のモデルの性能を向上させることができる。 提案手法の有効性を実証し, 新たな成果を得た。 さらに、データセット、コード、ドキュメントを含むリポジトリ1を共有しています。

関連論文リスト

• Neighborhood-Order Learning Graph Attention Network for Fake News Detection [2.34863357088666]
  偽ニュース検出のためのNelborhood-Order Learning Graph Attention Network (NOL-GAT) と呼ばれる新しいモデルを提案する。 このモデルにより、各層の各ノードはその最適近傍順序を独立に学習することができる。 モデルの性能を評価するために、様々なフェイクニュースデータセットで実験を行う。
  論文  参考訳（メタデータ） (2025-02-10T18:51:57Z)
• Mamba-Based Graph Convolutional Networks: Tackling Over-smoothing with Selective State Space [33.677431350509224]
  本稿では,Mambaパラダイムからインスピレーションを得た新しいグラフ畳み込みアーキテクチャであるMbaGCNを紹介する。 MbaGCNは、Message Aggregation Layer、Selective State Space Transition Layer、Node State Prediction Layerという3つの重要なコンポーネントで構成されるGNNの新しいバックボーンを提供する。
  論文  参考訳（メタデータ） (2025-01-26T09:09:44Z)
• All Against Some: Efficient Integration of Large Language Models for Message Passing in Graph Neural Networks [51.19110891434727]
  事前訓練された知識と強力なセマンティック理解能力を持つ大規模言語モデル(LLM)は、最近、視覚とテキストデータを使用してアプリケーションに恩恵をもたらす顕著な能力を示している。 E-LLaGNNは、グラフから限られたノード数を増やして、グラフ学習のメッセージパッシング手順を強化するオンデマンドLLMサービスを備えたフレームワークである。
  論文  参考訳（メタデータ） (2024-07-20T22:09:42Z)
• Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
  グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。 FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。 ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2023-12-19T18:00:15Z)
• A Model-Agnostic Graph Neural Network for Integrating Local and Global Information [2.6164652182042505]
  グラフニューラルネットワーク(GNN)は、さまざまなグラフにフォーカスしたタスクにおいて、有望なパフォーマンスを実現している。 既存のGNNには、ブラックボックスの性質による結果の解釈可能性の欠如と、さまざまな順序の表現を学べないという2つの大きな制限がある。 本稿では,様々な順序の情報を効果的に統合し,高次隣人から知識を抽出し,影響力のあるコンパクトグラフ構造を同定して有意義かつ解釈可能な結果を提供する,モデル非依存型グラフニューラルネットワーク(MaGNet)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-23T19:07:03Z)
• Learning Strong Graph Neural Networks with Weak Information [64.64996100343602]
  我々は、弱い情報(GLWI)を用いたグラフ学習問題に対する原則的アプローチを開発する。 非完全構造を持つ入力グラフ上で長距離情報伝搬を行うデュアルチャネルGNNフレームワークであるD$2$PTを提案するが、グローバルな意味的類似性を符号化するグローバルグラフも提案する。
  論文  参考訳（メタデータ） (2023-05-29T04:51:09Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• Graph-MLP: Node Classification without Message Passing in Graph [28.604893350871777]
  グラフニューラルネットワーク(GNN)は、非ユークリッド構造データを扱う上での有効性を実証している。 最近の研究は主に強力なメッセージパッシングモジュールに焦点を当てているが、この記事では、メッセージパッシングモジュールは必要ないことを示す。 本稿では,グラフ構造を利用した教師信号を用いた,純粋な多層パーセプトロンベースのGraph-MLPを提案する。
  論文  参考訳（メタデータ） (2021-06-08T02:07:21Z)
• Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
  グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。 複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。 本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
  論文  参考訳（メタデータ） (2020-06-26T17:03:06Z)

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。