論文の概要: LLM-Enhanced Multiple Instance Learning for Joint Rumor and Stance Detection with Social Context Information

• arxiv url: http://arxiv.org/abs/2502.08888v1
• Date: Thu, 13 Feb 2025 02:03:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-14 13:48:57.662946
• Title: LLM-Enhanced Multiple Instance Learning for Joint Rumor and Stance Detection with Social Context Information
• Title（参考訳）: ソーシャルコンテキスト情報を用いたLLM強化マルチインスタンス学習
• Authors: Ruichao Yang, Jing Ma, Wei Gao, Hongzhan Lin,
• Abstract要約: 噂は関連投稿における相互参照の姿勢によって特定でき、その姿勢は噂の性質の影響を受けている。 本稿では,ポストスタンスとクレームクラスラベルを共同で予測する新しい手法を提案する。 提案手法は,最先端手法と比較して,共同噂や姿勢検出において有望な性能を示す。
• 参考スコア（独自算出の注目度）: 12.332972760925408
• License:
• Abstract: The proliferation of misinformation, such as rumors on social media, has drawn significant attention, prompting various expressions of stance among users. Although rumor detection and stance detection are distinct tasks, they can complement each other. Rumors can be identified by cross-referencing stances in related posts, and stances are influenced by the nature of the rumor. However, existing stance detection methods often require post-level stance annotations, which are costly to obtain. We propose a novel LLM-enhanced MIL approach to jointly predict post stance and claim class labels, supervised solely by claim labels, using an undirected microblog propagation model. Our weakly supervised approach relies only on bag-level labels of claim veracity, aligning with multi-instance learning (MIL) principles. To achieve this, we transform the multi-class problem into multiple MIL-based binary classification problems. We then employ a discriminative attention layer to aggregate the outputs from these classifiers into finer-grained classes. Experiments conducted on three rumor datasets and two stance datasets demonstrate the effectiveness of our approach, highlighting strong connections between rumor veracity and expressed stances in responding posts. Our method shows promising performance in joint rumor and stance detection compared to the state-of-the-art methods.
• Abstract（参考訳）: ソーシャルメディアの噂など誤報の拡散が注目され、利用者の間に様々なスタンスを表現している。 噂の検出と姿勢検出は異なるタスクであるが、それらは互いに補完することができる。 噂は関連投稿における相互参照の姿勢によって特定でき、その姿勢は噂の性質の影響を受けている。 しかし,既存のスタンス検出手法では,高コストなポストレベルスタンスアノテーションを必要とする場合が多い。 本稿では,無方向性マイクロブログ伝搬モデルを用いて,ポストスタンスとクレームクラスラベルを協調的に予測する新しいLCM拡張MIL手法を提案する。 私たちの弱い監督のアプローチは、マルチインスタンス学習(MIL)の原則に従って、請求の正確さのバッグレベルラベルにのみ依存しています。 これを実現するために,マルチクラス問題を複数のMILに基づくバイナリ分類問題に変換する。 次に、これらの分類器からの出力をよりきめ細かいクラスに集約するために、識別的注意層を用いる。 3つの噂データセットと2つのスタンスデータセットを用いて行った実験は、我々のアプローチの有効性を実証し、噂の正確さと反応姿勢との強い結びつきを強調した。 本手法は,最先端の手法と比較して,ジョイントウッズやスタンス検出において有望な性能を示す。

関連論文リスト

• Chain of Stance: Stance Detection with Large Language Models [3.528201746844624]
  スタンス検出は自然言語処理(NLP)におけるアクティブタスクである 我々は、Stance (CoS) の textitChain と呼ばれる新しいプロンプト手法を提案する。
  論文  参考訳（メタデータ） (2024-08-03T16:30:51Z)
• RAR: Retrieving And Ranking Augmented MLLMs for Visual Recognition [78.97487780589574]
  MLLM(Multimodal Large Language Models)は、細粒度カテゴリの分類において優れている。 本稿では,MLLMの検索とランク付けのための拡張手法を提案する。 提案手法は, 微粒化認識における固有の限界に対処するだけでなく, モデルの包括的知識基盤も維持する。
  論文  参考訳（メタデータ） (2024-03-20T17:59:55Z)
• Attention-Challenging Multiple Instance Learning for Whole Slide Image Classification [12.424186320807888]
  ACMIL(Attention-Challenging MIL)を提案する。 ACMILは、注意値集中のための別個の分析に基づく2つの手法を組み合わせる。 本稿では,ACMILが注目値の集中を抑え,過度に適合する課題を克服する上で有効であることを示す。
  論文  参考訳（メタデータ） (2023-11-13T07:34:53Z)
• A Multi-level Supervised Contrastive Learning Framework for Low-Resource Natural Language Inference [54.678516076366506]
  自然言語推論(NLI)は、自然言語理解において、ますます重要な課題である。 本稿では,低リソースな自然言語推論のためのマルチSCLという,マルチレベルの教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-31T05:54:18Z)
• Rumor Detection with Self-supervised Learning on Texts and Social Graph [101.94546286960642]
  異種情報ソース上での自己教師型学習を対照的に提案し,それらの関係を明らかにするとともに,噂をよりよく特徴付ける。 我々はこの枠組みをSRD(Self-supervised Rumor Detection)と呼ぶ。 3つの実世界のデータセットに対する大規模な実験により、ソーシャルメディア上での噂の自動検出におけるSRDの有効性が検証された。
  論文  参考訳（メタデータ） (2022-04-19T12:10:03Z)
• A Weakly Supervised Propagation Model for Rumor Verification and Stance Detection with Multiple Instance Learning [8.659605626407245]
  本稿では,2つの木構造型弱教師付きフレームワークについて,噂やスタンスを共同で分類する。 クレームレベルの噂検出とポストレベルのスタンス分類の両モデルについて,最先端手法との比較を行った。
  論文  参考訳（メタデータ） (2022-04-06T07:07:06Z)
• Few-Shot Fine-Grained Action Recognition via Bidirectional Attention and Contrastive Meta-Learning [51.03781020616402]
  現実世界のアプリケーションで特定のアクション理解の需要が高まっているため、きめ細かいアクション認識が注目を集めている。 そこで本研究では,各クラスに付与されるサンプル数だけを用いて,新規なきめ細かい動作を認識することを目的とした,数発のきめ細かな動作認識問題を提案する。 粒度の粗い動作では進展があったが、既存の数発の認識手法では、粒度の細かい動作を扱う2つの問題に遭遇する。
  論文  参考訳（メタデータ） (2021-08-15T02:21:01Z)
• Discriminative Nearest Neighbor Few-Shot Intent Detection by Transferring Natural Language Inference [150.07326223077405]
  データ不足を緩和するためには、ほとんどショットラーニングが注目を集めている。 深部自己注意を伴う識別的近傍分類を提示する。 自然言語推論モデル(NLI)を変換することで識別能力を高めることを提案する。
  論文  参考訳（メタデータ） (2020-10-25T00:39:32Z)
• Dynamic Semantic Matching and Aggregation Network for Few-shot Intent Detection [69.2370349274216]
  利用可能な注釈付き発話が不足しているため、インテント検出は困難である。 セマンティック成分はマルチヘッド自己認識によって発話から蒸留される。 本手法はラベル付きインスタンスとラベルなしインスタンスの両方の表現を強化するための総合的なマッチング手段を提供する。
  論文  参考訳（メタデータ） (2020-10-06T05:16:38Z)

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。