Fugu-MT 論文翻訳(概要): Russo-Ukrainian war disinformation detection in suspicious Telegram channels

論文の概要: Russo-Ukrainian war disinformation detection in suspicious Telegram channels

arxiv url: http://arxiv.org/abs/2503.05707v1
Date: Thu, 13 Feb 2025 19:37:37 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-16 10:18:23.234339
Title: Russo-Ukrainian war disinformation detection in suspicious Telegram channels
Title（参考訳）: 疑わしいテレグラムチャンネルにおけるロシア・ウクライナ戦争偽情報検出
Authors: Anton Bazdyrev,
Abstract要約: 本稿は,ロシア・ウクライナ紛争に関連するテレグラムチャネル上の偽情報を識別するための高度なアプローチを提案する。提案システムは,LLMモデルを含むディープラーニングアルゴリズムを用いて,カスタムデータセットを微調整する。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: The paper proposes an advanced approach for identifying disinformation on Telegram channels related to the Russo-Ukrainian conflict, utilizing state-of-the-art (SOTA) deep learning techniques and transfer learning. Traditional methods of disinformation detection, often relying on manual verification or rule-based systems, are increasingly inadequate in the face of rapidly evolving propaganda tactics and the massive volume of data generated daily. To address these challenges, the proposed system employs deep learning algorithms, including LLM models, which are fine-tuned on a custom dataset encompassing verified disinformation and legitimate content. The paper's findings indicate that this approach significantly outperforms traditional machine learning techniques, offering enhanced contextual understanding and adaptability to emerging disinformation strategies.
Abstract（参考訳）: 本稿では,ロシアとウクライナの紛争に関連するテレグラムチャネルの偽情報を識別するための高度な手法を提案する。手動による検証やルールベースのシステムに依存する従来の偽情報検出手法は、急速に進化するプロパガンダ戦術や、毎日発生する大量のデータに直面して、ますます不十分になっている。これらの課題に対処するために、提案システムは、検証された偽情報と正当な内容を含むカスタムデータセットに基づいて微調整されたLLMモデルを含むディープラーニングアルゴリズムを採用する。論文は、このアプローチが従来の機械学習技術よりも大幅に優れており、新たな偽情報戦略へのコンテキスト理解と適応性が向上していることを示唆している。

関連論文リスト

Improving Network Threat Detection by Knowledge Graph, Large Language Model, and Imbalanced Learning [13.266443651005462]
提案されたフレームワークは,オンラインシーケンス学習によるアジャイル脅威検出に適用される。予備的な結果は, 脅威捕捉率を3%-4%向上させ, ユーザの行動に基づくリスク予測の解釈可能性の向上を示した。
論文参考訳（メタデータ） (2025-01-26T14:59:47Z)
COOL: Comprehensive Knowledge Enhanced Prompt Learning for Domain Adaptive Few-shot Fake News Detection [16.478355864072814]
ドメイン適応型小ショットFND.Owlのための包括的knedge拡張PrOmpt学習法であるCOOLを提案する。具体的には,外部からのニュースに正あるいは負の相関を持つ構造化知識と非構造化知識の両方を抽出する包括的知識抽出モジュールを提案する。
論文参考訳（メタデータ） (2024-06-16T09:41:25Z)
Detecting misinformation through Framing Theory: the Frame Element-based Model [6.4618518529384765]
私たちは、AIコミュニティの中で探索されていない領域である物語フレームのニュアンスな操作に焦点を当てています。本稿では,事前学習された大規模言語モデルと深層ニューラルネットワークの力を利用して誤情報を検出する革新的な手法を提案する。
論文参考訳（メタデータ） (2024-02-19T21:50:42Z)
Learning State-Augmented Policies for Information Routing in Communication Networks [84.76186111434818]
我々は,グラフニューラルネットワーク(GNN)アーキテクチャを用いて,ソースノードの集約情報を最大化する,新たなステート拡張(SA)戦略を開発した。教師なし学習手法を利用して、GNNアーキテクチャの出力を最適情報ルーティング戦略に変換する。実験では,実時間ネットワークトポロジの評価を行い,アルゴリズムの有効性を検証した。
論文参考訳（メタデータ） (2023-09-30T04:34:25Z)
Learning Symbolic Rules over Abstract Meaning Representations for Textual Reinforcement Learning [63.148199057487226]
本稿では,汎用的な意味一般化とルール誘導システムを組み合わせて,解釈可能なルールをポリシーとして学習するモジュール型 NEuroSymbolic Textual Agent (NESTA) を提案する。実験の結果,NESTA法は,未確認テストゲームや少ないトレーニングインタラクションから学習することで,深層強化学習技術よりも優れることがわかった。
論文参考訳（メタデータ） (2023-07-05T23:21:05Z)
A Unified End-to-End Retriever-Reader Framework for Knowledge-based VQA [67.75989848202343]
本稿では,知識に基づくVQAに向けて,エンド・ツー・エンドのレトリバー・リーダー・フレームワークを提案する。我々は、視覚言語による事前学習モデルからの多モーダルな暗黙の知識に光を当て、知識推論の可能性を掘り下げた。提案手法では,知識検索のガイダンスを提供するだけでなく,質問応答に対してエラーが発生しやすいケースも排除できる。
論文参考訳（メタデータ） (2022-06-30T02:35:04Z)
Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
論文参考訳（メタデータ） (2021-12-31T10:03:47Z)
Technological Approaches to Detecting Online Disinformation and Manipulation [0.0]
プロパガンダや偽情報をオンライン環境に移すことは、過去10年間にデジタル情報チャンネルがニュースソースとして急速に普及したという事実により可能である。本章では, 計算機支援による偽情報検出手法の概要について述べる。
論文参考訳（メタデータ） (2021-08-26T09:28:50Z)
Embracing the Dark Knowledge: Domain Generalization Using Regularized Knowledge Distillation [65.79387438988554]
十分なデータと代表データがない場合の一般化能力の欠如は、その実践的応用を妨げる課題の1つである。我々はKDDG(Knowledge Distillation for Domain Generalization)という,シンプルで効果的な,プラグアンドプレイのトレーニング戦略を提案する。教師ネットワークからの「より豊かな暗黒知識」と、我々が提案した勾配フィルタの両方が、マッピングの学習の難しさを軽減することができる。
論文参考訳（メタデータ） (2021-07-06T14:08:54Z)
Defending Democracy: Using Deep Learning to Identify and Prevent Misinformation [0.0]
本研究では、公開Twitterデータを用いて、ソーシャルメディア上での誤情報拡散の分類と可視化を行う。この研究は、偽情報検出のためのスケーラブルなモデルを提供するためのBERTの適合性をさらに示す。
論文参考訳（メタデータ） (2021-06-03T16:34:54Z)
InfoBERT: Improving Robustness of Language Models from An Information Theoretic Perspective [84.78604733927887]
BERTのような大規模言語モデルは、幅広いNLPタスクで最先端のパフォーマンスを実現している。近年の研究では、このようなBERTベースのモデルが、テキストの敵対的攻撃の脅威に直面していることが示されている。本稿では,事前学習した言語モデルの堅牢な微調整のための新しい学習フレームワークであるInfoBERTを提案する。
論文参考訳（メタデータ） (2020-10-05T20:49:26Z)

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。