論文の概要: HintsOfTruth: A Multimodal Checkworthiness Detection Dataset with Real and Synthetic Claims

• arxiv url: http://arxiv.org/abs/2502.11753v1
• Date: Mon, 17 Feb 2025 12:49:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-18 14:11:54.159464
• Title: HintsOfTruth: A Multimodal Checkworthiness Detection Dataset with Real and Synthetic Claims
• Title（参考訳）: HintsOfTruth: 実および合成クレームを用いたマルチモーダルチェックネス検出データセット
• Authors: Michiel van der Meer, Pavel Korshunov, Sébastien Marcel, Lonneke van der Plas,
• Abstract要約: 我々はHintsOfTruthを紹介した。HintsOfTruthは、27ドル(約2,300円)のリアルワールドと合成画像/再生ペアによるマルチモーダルチェックネス検出のためのパブリックデータセットである。 我々は、微調整および大言語モデル(LLM)の比較を行う。 十分に構成された軽量テキストベースのエンコーダは、マルチモーダルモデルと互換性があるが、最初に焦点を当てるのは、非定型的なコンテンツを特定することだけである。
• 参考スコア（独自算出の注目度）: 20.66591948607905
• License:
• Abstract: Misinformation can be countered with fact-checking, but the process is costly and slow. Identifying checkworthy claims is the first step, where automation can help scale fact-checkers' efforts. However, detection methods struggle with content that is 1) multimodal, 2) from diverse domains, and 3) synthetic. We introduce HintsOfTruth, a public dataset for multimodal checkworthiness detection with $27$K real-world and synthetic image/claim pairs. The mix of real and synthetic data makes this dataset unique and ideal for benchmarking detection methods. We compare fine-tuned and prompted Large Language Models (LLMs). We find that well-configured lightweight text-based encoders perform comparably to multimodal models but the first only focus on identifying non-claim-like content. Multimodal LLMs can be more accurate but come at a significant computational cost, making them impractical for large-scale applications. When faced with synthetic data, multimodal models perform more robustly
• Abstract（参考訳）: 誤報は事実チェックに対処できるが、そのプロセスは高価で遅い。 チェック価値のあるクレームの特定は、自動化がファクトチェッカーの努力を拡大する最初のステップである。 しかし、検出法はコンテンツに苦戦している。 1)マルチモーダル 2)多様な領域から,及び 3)合成。 我々はHintsOfTruthを紹介した。HintsOfTruthは、27ドル(約2,300円)のリアルワールドと合成画像/再生ペアによるマルチモーダルチェックネス検出のためのパブリックデータセットである。 実データと合成データの混合により、このデータセットはユニークで、検出方法のベンチマークに最適である。 微調整と大言語モデル(LLM)の比較を行った。 十分に構成された軽量テキストベースのエンコーダは、マルチモーダルモデルと互換性があるが、最初に焦点を当てるのは、非定型的なコンテンツを特定することだけである。 マルチモーダル LLM はより正確であるが、計算コストが大きいため、大規模アプリケーションでは実用的ではない。 合成データに直面する場合、マルチモーダルモデルはより堅牢に機能する

関連論文リスト

• mmE5: Improving Multimodal Multilingual Embeddings via High-quality Synthetic Data [71.352883755806]
  マルチモーダル埋め込みモデルは、テキストや画像などの様々なモダリティからデータを統一表現空間にマッピングする能力において、大きな注目を集めている。 しかし、ラベル付きマルチモーダルデータは、しばしば埋め込み性能を妨げる。 近年のアプローチでは、この問題に対処するためにデータ合成を活用しているが、合成データの質は依然として重大なボトルネックとなっている。
  論文  参考訳（メタデータ） (2025-02-12T15:03:33Z)
• MINIMA: Modality Invariant Image Matching [52.505282811925454]
  複数のクロスモーダルケースを対象とした統合画像マッチングフレームワークであるMINIMAを提案する。 生成モデルを用いて、安価だがリッチなRGBのみのマッチングデータからモダリティをスケールアップする。 MD-synでは、任意の高度なマッチングパイプラインをランダムに選択したモダリティペアで直接訓練して、クロスモーダル能力を得ることができる。
  論文  参考訳（メタデータ） (2024-12-27T02:39:50Z)
• Any2Any: Incomplete Multimodal Retrieval with Conformal Prediction [17.607392214470295]
  我々はAny2Anyという新しい検索フレームワークを提案し、クエリと参照の両方が不完全なモダリティを持つシナリオに対処する。 クロスモーダルエンコーダとのペアワイズ類似度を計算し、同型予測を伴う2段階キャリブレーションプロセスを用いて類似度を整列する。 KITTIデータセットで35%のRecall@5を達成する。
  論文  参考訳（メタデータ） (2024-11-15T17:44:27Z)
• Multimodal Misinformation Detection by Learning from Synthetic Data with Multimodal LLMs [13.684959490938269]
  本稿では,2つのモデルに依存しないデータ選択手法を用いて,実世界のマルチモーダル誤情報を検出するための合成データからの学習を提案する。 実世界のファクトチェックデータセット上でのMLLMの性能を向上させる実験を行った。
  論文  参考訳（メタデータ） (2024-09-29T11:01:14Z)
• D2LLM: Decomposed and Distilled Large Language Models for Semantic Search [18.63768158439252]
  D2LLMs-Decomposed and Distilled LLMs for semantic search。 クロスエンコーダを効率的なバイエンコーダに分解し,マルチヘッド・アテンションとインタラクション・エミュレーション・モジュールによるポーリングと統合する。 実験の結果,D2LLMは3つのタスクにまたがるすべての指標において,主要なベースラインを5つ超えていることがわかった。
  論文  参考訳（メタデータ） (2024-06-25T04:03:04Z)
• SQBC: Active Learning using LLM-Generated Synthetic Data for Stance Detection in Online Political Discussions [1.1624569521079426]
  オンライン政治討論における姿勢検出エージェントの訓練と改善にLLM生成合成データを活用する2つの方法を提案する。 まず,簡単な微調整データセットを合成データで拡張することで,姿勢検出モデルの性能を向上できることを示す。 第2に,クエリ・バイ・コミティ(Query-by-Comittee)アプローチに基づくSQBCと呼ばれる新しいアクティブ・ラーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-04-11T18:34:11Z)
• Single-Model and Any-Modality for Video Object Tracking [85.83753760853142]
  任意のモダリティに対して単一のパラメータセットの統一トラッカーUn-Trackを導入する。 任意のモダリティを扱うために,低ランク因子化および再構成手法を用いて,それらの共通潜時空間を学習する。 我々のUn-Trackは、+6.6M(93M以上)のパラメータを持つ+2.14(21.50以上)のGFLOPを導入することで、DepthTrackデータセット上で、+8.1絶対Fスコアゲインを達成する。
  論文  参考訳（メタデータ） (2023-11-27T14:17:41Z)
• MuSR: Testing the Limits of Chain-of-thought with Multistep Soft Reasoning [63.80739044622555]
  自然言語ナラティブで指定されたソフト推論タスクの言語モデルを評価するデータセットである MuSR を紹介する。 このデータセットには2つの重要な特徴がある。まず、ニューロシンボリック合成-自然生成アルゴリズムによって生成される。 第二に、私たちのデータセットインスタンスは、実世界の推論の領域に対応する無料のテキスト物語です。
  論文  参考訳（メタデータ） (2023-10-24T17:59:20Z)
• BiCro: Noisy Correspondence Rectification for Multi-modality Data via Bi-directional Cross-modal Similarity Consistency [66.8685113725007]
  BiCroは、ノイズの多いデータペアのソフトラベルを推定して、その真の対応度を反映することを目的としている。 3つの一般的なクロスモーダルマッチングデータセットの実験により、BiCroは様々なマッチングモデルのノイズ・ロバスト性を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2023-03-22T09:33:50Z)
• AutoSimulate: (Quickly) Learning Synthetic Data Generation [70.82315853981838]
  目的の新たな微分可能近似に基づく最適な合成データ生成法を提案する。 提案手法は,学習データ生成の高速化(最大50Times$)と,実世界のテストデータセットの精度向上(+8.7%$)を実現している。
  論文  参考訳（メタデータ） (2020-08-16T11:36:11Z)

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。