論文の概要: Rumor Detection by Multi-task Suffix Learning based on Time-series Dual Sentiments

• arxiv url: http://arxiv.org/abs/2502.14383v1
• Date: Thu, 20 Feb 2025 09:20:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-21 14:28:09.513542
• Title: Rumor Detection by Multi-task Suffix Learning based on Time-series Dual Sentiments
• Title（参考訳）: 時系列2重感に基づくマルチタスク・サフィックス学習による騒音検出
• Authors: Zhiwei Liu, Kailai Yang, Eduard Hovy, Sophia Ananiadou,
• Abstract要約: 噂の検知と追跡のための最初のマルチタスク・サフィックス学習フレームワークであるMSufを提案する。 MSuf には,(1) 感情強度の特徴を抽出して時系列的にソートする LLM ,(2) ソーステキスト単語の埋め込みを融合してアライメント埋め込みを得るモジュール,(3) 噂の検出と感情分析を行うために,アライメントベクターと2つのハードプロンプトを組み合わせる,という3つのモジュールが含まれている。
• 参考スコア（独自算出の注目度）: 26.0514337274812
• License:
• Abstract: The widespread dissemination of rumors on social media has a significant impact on people's lives, potentially leading to public panic and fear. Rumors often evoke specific sentiments, resonating with readers and prompting sharing. To effectively detect and track rumors, it is essential to observe the fine-grained sentiments of both source and response message pairs as the rumor evolves over time. However, current rumor detection methods fail to account for this aspect. In this paper, we propose MSuf, the first multi-task suffix learning framework for rumor detection and tracking using time series dual (coupled) sentiments. MSuf includes three modules: (1) an LLM to extract sentiment intensity features and sort them chronologically; (2) a module that fuses the sorted sentiment features with their source text word embeddings to obtain an aligned embedding; (3) two hard prompts are combined with the aligned vector to perform rumor detection and sentiment analysis using one frozen LLM. MSuf effectively enhances the performance of LLMs for rumor detection with only minimal parameter fine-tuning. Evaluating MSuf on four rumor detection benchmarks, we find significant improvements compared to other emotion-based methods.
• Abstract（参考訳）: ソーシャルメディア上での噂の普及は人々の生活に大きな影響を与え、公衆のパニックや恐怖に繋がる可能性がある。 噂はしばしば特定の感情を呼び起こし、読者と共鳴し、共有を促す。 噂を効果的に検出・追跡するためには、噂が時間とともに進化するにつれて、情報源と応答メッセージの双方の微妙な感情を観察することが不可欠である。 しかし、現在のうわさ検出手法では、この側面を考慮できない。 本稿では,時系列の2重(結合された)感情を用いた噂の検出と追跡のための,最初のマルチタスク・サフィックス学習フレームワークであるMSufを提案する。 MSuf には,(1) 感情強度の特徴を抽出して時系列的にソートする LLM ,(2) ソーステキスト単語の埋め込みを融合してアライメントした埋め込みを得るモジュール,(3) 2 つのハードプロンプトをアライメントベクターと組み合わせて,凍結した LLM を用いて噂の検出と感情分析を行うモジュール,の3つのモジュールが含まれている。 MSuf は最小パラメータ微調整のみによる噂検出のための LLM の性能を効果的に向上させる。 4つのうわさ検出ベンチマークでMSufを評価すると、他の感情に基づく方法と比較して大きな改善が見られた。

関連論文リスト

• PanoSent: A Panoptic Sextuple Extraction Benchmark for Multimodal Conversational Aspect-based Sentiment Analysis [74.41260927676747]
  本稿では,マルチモーダル対話感分析(ABSA)を導入することでギャップを埋める。 タスクをベンチマークするために、手動と自動の両方で注釈付けされたデータセットであるPanoSentを構築し、高品質、大規模、マルチモーダル、マルチ言語主義、マルチシナリオを特徴とし、暗黙の感情要素と明示的な感情要素の両方をカバーする。 課題を効果的に解決するために,新しい多モーダルな大規模言語モデル(すなわちSentica)とパラフレーズベースの検証機構とともに,新しい感覚の連鎖推論フレームワークを考案した。
  論文  参考訳（メタデータ） (2024-08-18T13:51:01Z)
• Empowering Whisper as a Joint Multi-Talker and Target-Talker Speech Recognition System [73.34663391495616]
  本稿では,複数話者と目標話者の音声認識タスクを併用する先駆的手法を提案する。 具体的には、Whisperを凍結し、Sidecarセパレータをエンコーダに差し込み、複数の話者に対する混合埋め込みを分離する。 AishellMix Mandarin データセット上で,マルチストーカー ASR 上で許容できるゼロショット性能を提供する。
  論文  参考訳（メタデータ） (2024-07-13T09:28:24Z)
• Detect, Investigate, Judge and Determine: A Knowledge-guided Framework for Few-shot Fake News Detection [50.079690200471454]
  Few-Shot Fake News Detection (FS-FND) は、極めて低リソースのシナリオにおいて、非正確なニュースを実際のニュースと区別することを目的としている。 ソーシャルメディア上でのフェイクニュースの拡散や有害な影響により、このタスクは注目を集めている。 本稿では,内外からLLMを増強するDual-perspective Knowledge-Guided Fake News Detection (DKFND)モデルを提案する。
  論文  参考訳（メタデータ） (2024-07-12T03:15:01Z)
• DELL: Generating Reactions and Explanations for LLM-Based Misinformation Detection [50.805599761583444]
  大規模な言語モデルは、事実性や幻覚の難しさによって制限され、ニュース記事の正確さを判断するために、棚外で直接使用される。 我々は,LLMをパイプラインの一部として組み込む誤情報検出の3つの重要な段階を同定するDellを提案する。
  論文  参考訳（メタデータ） (2024-02-16T03:24:56Z)
• Enhancing Uncertainty-Based Hallucination Detection with Stronger Focus [99.33091772494751]
  大規模言語モデル(LLM)は、様々な分野にわたる印象的なパフォーマンスで大きな人気を集めている。 LLMは、ユーザの期待を満たさない非現実的あるいは非感覚的なアウトプットを幻覚させる傾向がある。 LLMにおける幻覚を検出するための新しい基準のない不確実性に基づく手法を提案する。
  論文  参考訳（メタデータ） (2023-11-22T08:39:17Z)
• An Emotion-Aware Multi-Task Approach to Fake News and Rumour Detection using Transfer Learning [13.448658162594603]
  本研究は,テキストの正当性と本質的な感情との相関関係を示す。 テキストの感情と正当性の両方を予測し,フェイクニュースと噂検出のためのマルチタスクフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-22T16:15:25Z)
• Multimodal Dual Emotion with Fusion of Visual Sentiment for Rumor Detection [7.399106071382472]
  本稿では,画像の感情が噂検出効率を向上させることを検証する。 視覚的感情とテキスト的感情からなる噂検出におけるマルチモーダルデュアル感情(Multimodal Dual Emotion)機能を提案する。 実際のデータセットの実験では、提案された機能が最先端の感情的特徴よりも優れていることが確認されている。
  論文  参考訳（メタデータ） (2022-04-25T08:53:05Z)
• Calling to CNN-LSTM for Rumor Detection: A Deep Multi-channel Model for Message Veracity Classification in Microblogs [0.0]
  噂は特に個人や社会に深刻なダメージを与える可能性がある。 ほとんどの噂検出アプローチは、噂の特徴分析と社会的特徴に焦点を当てている。 DeepMONITORはディープニューラルネットワークをベースにしており、かなり正確な自動噂検証を可能にする。
  論文  参考訳（メタデータ） (2021-10-11T07:42:41Z)
• SRLF: A Stance-aware Reinforcement Learning Framework for Content-based Rumor Detection on Social Media [15.985224010346593]
  初期のコンテンツベースの方法は、噂の検出のためにテキストとユーザープロファイルから手がかりを見つけることに集中した。 近年の研究では、ユーザのコメントとニュースコンテンツを組み合わせて、真実と偽の噂の違いを捉えている。 本稿では,モデルトレーニングと噂検出のための高品質なラベル付き姿勢データを選択するための,SRLF(Stance-Aware Reinforcement Learning Framework)を提案する。
  論文  参考訳（メタデータ） (2021-05-10T03:58:34Z)
• SPLAT: Speech-Language Joint Pre-Training for Spoken Language Understanding [61.02342238771685]
  音声理解には、入力音響信号を解析してその言語内容を理解し、予測するモデルが必要である。 大規模無注釈音声やテキストからリッチな表現を学習するために,様々な事前学習手法が提案されている。 音声と言語モジュールを協調的に事前学習するための,新しい半教師付き学習フレームワークであるSPLATを提案する。
  論文  参考訳（メタデータ） (2020-10-05T19:29:49Z)

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。