論文の概要: A Decision-Based Heterogenous Graph Attention Network for Multi-Class Fake News Detection
- arxiv url: http://arxiv.org/abs/2501.03290v1
- Date: Mon, 06 Jan 2025 07:18:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-08 15:50:07.728270
- Title: A Decision-Based Heterogenous Graph Attention Network for Multi-Class Fake News Detection
- Title（参考訳）: マルチクラスフェイクニュース検出のための決定に基づく異種グラフアテンションネットワーク
- Authors: Batool Lakzaei, Mostafa Haghir Chehreghani, Alireza Bagheri,
- Abstract要約: 本稿では,半教師付き環境での偽ニュース検出のためのDHGAT(Decision-based Heterogeneous Graph Attention Network)という新しいモデルを提案する。
DHGATは、各層における各ノードの近傍タイプを動的に最適化し、選択することで、従来のGNNの制限に効果的に対処する。
6つのクラスに分類されるニュース項目を含む多クラス偽ニュース検出のための大規模かつ困難なデータセットであるLIARデータセット上でDHGATを評価する。
- 参考スコア（独自算出の注目度）: 2.34863357088666
- License:
- Abstract: A promising tool for addressing fake news detection is Graph Neural Networks (GNNs). However, most existing GNN-based methods rely on binary classification, categorizing news as either real or fake. Additionally, traditional GNN models use a static neighborhood for each node, making them susceptible to issues like over-squashing. In this paper, we introduce a novel model named Decision-based Heterogeneous Graph Attention Network (DHGAT) for fake news detection in a semi-supervised setting. DHGAT effectively addresses the limitations of traditional GNNs by dynamically optimizing and selecting the neighborhood type for each node in every layer. It represents news data as a heterogeneous graph where nodes (news items) are connected by various types of edges. The architecture of DHGAT consists of a decision network that determines the optimal neighborhood type and a representation network that updates node embeddings based on this selection. As a result, each node learns an optimal and task-specific computational graph, enhancing both the accuracy and efficiency of the fake news detection process. We evaluate DHGAT on the LIAR dataset, a large and challenging dataset for multi-class fake news detection, which includes news items categorized into six classes. Our results demonstrate that DHGAT outperforms existing methods, improving accuracy by approximately 4% and showing robustness with limited labeled data.
- Abstract（参考訳）: 偽ニュース検出に対処するための有望なツールは、グラフニューラルネットワーク(GNN)である。
しかし、既存のGNNベースのほとんどの手法はバイナリ分類に依存しており、ニュースを本物か偽物に分類している。
さらに、従来のGNNモデルは各ノードに静的な近傍を使用するため、オーバー・スカッシングのような問題にも影響を受けやすい。
本稿では,半教師付き環境での偽ニュース検出のためのDHGAT(Decision-based Heterogeneous Graph Attention Network)という新しいモデルを提案する。
DHGATは、各層における各ノードの近傍タイプを動的に最適化し、選択することで、従来のGNNの制限に効果的に対処する。
ニュースデータは、ノード(新しいアイテム)が様々な種類のエッジで接続される異種グラフとして表現される。
DHGATのアーキテクチャは、最適近傍型を決定する決定ネットワークと、この選択に基づいてノード埋め込みを更新する表現ネットワークから構成される。
その結果、各ノードは最適なタスク固有の計算グラフを学習し、フェイクニュース検出プロセスの精度と効率を向上する。
6つのクラスに分類されるニュース項目を含む多クラス偽ニュース検出のための大規模かつ困難なデータセットであるLIARデータセット上でDHGATを評価する。
以上の結果から,DHGATは既存の手法よりも優れ,精度は約4%向上し,ラベル付きデータによる堅牢性を示した。
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) - GNN-MultiFix: Addressing the pitfalls for GNNs for multi-label node classification [1.857645719601748]
グラフニューラルネットワーク(GNN)は、グラフデータの表現を学習するための強力なモデルとして登場した。
我々は,最も表現力の高いGNNでさえ,ノード属性や明示的なラベル情報を入力として使用せずに学習できないことを示す。
本稿では,ノードの機能,ラベル,位置情報を統合したGNN-MultiFixという簡単なアプローチを提案する。
論文 参考訳（メタデータ） (2024-11-21T12:59:39Z) - LOSS-GAT: Label Propagation and One-Class Semi-Supervised Graph
Attention Network for Fake News Detection [2.6396287656676725]
Loss-GATは、フェイクニュース検出のための半教師付き一級アプローチである。
我々は、ニュースを関心(フェイク)と非関心(リアル)の2つのグループに分類するために、2段階のラベル伝搬アルゴリズムを用いる。
論文 参考訳（メタデータ） (2024-02-13T12:02:37Z) - GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based
Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。
本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-01-17T13:04:23Z) - Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。
Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
論文 参考訳（メタデータ） (2023-05-18T07:27:18Z) - Every Node Counts: Improving the Training of Graph Neural Networks on
Node Classification [9.539495585692007]
ノード分類のためのGNNのトレーニングのための新しい目的語を提案する。
我々の第一項は、ノードとラベルの特徴間の相互情報を最大化することを目的としている。
第2項は予測写像における異方的滑らか性を促進する。
論文 参考訳（メタデータ） (2022-11-29T23:25:14Z) - A Robust Stacking Framework for Training Deep Graph Models with
Multifaceted Node Features [61.92791503017341]
数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。
IID(non-graph)データをGNNに簡単に組み込むことはできない。
本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
論文 参考訳（メタデータ） (2022-06-16T22:46:33Z) - A Variational Edge Partition Model for Supervised Graph Representation
Learning [51.30365677476971]
本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。
それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。
エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-07T14:37:50Z) - Graph Neural Networks with Adaptive Frequency Response Filter [55.626174910206046]
適応周波数応答フィルタを用いたグラフニューラルネットワークフレームワークAdaGNNを開発した。
提案手法の有効性を,様々なベンチマークデータセット上で実証的に検証した。
論文 参考訳（メタデータ） (2021-04-26T19:31:21Z) - Scalable Graph Neural Networks for Heterogeneous Graphs [12.44278942365518]
グラフニューラルネットワーク(GNN)は、グラフ構造化データを学習するためのパラメトリックモデルの一般的なクラスである。
最近の研究は、GNNが主に機能をスムースにするためにグラフを使用しており、ベンチマークタスクで競合する結果を示していると主張している。
本研究では、これらの結果が異種グラフに拡張可能かどうかを問うとともに、異なるエンティティ間の複数のタイプの関係を符号化する。
論文 参考訳（メタデータ） (2020-11-19T06:03:35Z) - 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。