論文の概要: A Graph-based Verification Framework for Fact-Checking

• arxiv url: http://arxiv.org/abs/2503.07282v1
• Date: Mon, 10 Mar 2025 13:02:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:49:51.238398
• Title: A Graph-based Verification Framework for Fact-Checking
• Title（参考訳）: Fact-Checkingのためのグラフベースの検証フレームワーク
• Authors: Yani Huang, Richong Zhang, Zhijie Nie, Junfan Chen, Xuefeng Zhang,
• Abstract要約: ファクトチェックのためのグラフベースのフレームワークGraphFCを提案する。 この中核的な考え方に基づいて,ファクトチェックのためのグラフベースのフレームワークであるGraphFCを提案する。
• 参考スコア（独自算出の注目度）: 25.875698681028794
• License:
• Abstract: Fact-checking plays a crucial role in combating misinformation. Existing methods using large language models (LLMs) for claim decomposition face two key limitations: (1) insufficient decomposition, introducing unnecessary complexity to the verification process, and (2) ambiguity of mentions, leading to incorrect verification results. To address these challenges, we suggest introducing a claim graph consisting of triplets to address the insufficient decomposition problem and reduce mention ambiguity through graph structure. Based on this core idea, we propose a graph-based framework, GraphFC, for fact-checking. The framework features three key components: graph construction, which builds both claim and evidence graphs; graph-guided planning, which prioritizes the triplet verification order; and graph-guided checking, which verifies the triples one by one between claim and evidence graphs. Extensive experiments show that GraphFC enables fine-grained decomposition while resolving referential ambiguities through relational constraints, achieving state-of-the-art performance across three datasets.
• Abstract（参考訳）: ファクトチェックは誤報と戦う上で重要な役割を担っている。 クレーム分解のための大規模言語モデル (LLM) を用いた既存の手法は,(1) 不十分な分解,2) 検証プロセスに不要な複雑さを導入し,(2) 言及の曖昧さを伴い,誤った検証結果をもたらす,という2つの重要な制約に直面している。 これらの課題に対処するために,三重項からなるクレームグラフを導入することを提案する。 この中核的な考え方に基づいて,ファクトチェックのためのグラフベースのフレームワークであるGraphFCを提案する。 このフレームワークは、クレームグラフとエビデンスグラフの両方を構築するグラフ構築、三重項検証順序を優先するグラフ誘導計画、クレームグラフとエビデンスグラフの間に3重項をひとつずつ検証するグラフ誘導チェックという3つの重要なコンポーネントを備えている。 大規模な実験により、GraphFCは3つのデータセットにわたる最先端のパフォーマンスを達成することで、参照の曖昧さをリレーショナル制約によって解決しながら、きめ細かな分解を可能にすることが示された。

関連論文リスト

• InstructG2I: Synthesizing Images from Multimodal Attributed Graphs [50.852150521561676]
  InstructG2Iと呼ばれるグラフ文脈条件拡散モデルを提案する。 InstructG2Iはまずグラフ構造とマルチモーダル情報を利用して情報的隣人サンプリングを行う。 Graph-QFormerエンコーダは、グラフノードをグラフプロンプトの補助セットに適応的に符号化し、デノナイジングプロセスを導く。
  論文  参考訳（メタデータ） (2024-10-09T17:56:15Z)
• Motif-Consistent Counterfactuals with Adversarial Refinement for Graph-Level Anomaly Detection [30.618065157205507]
  本稿では,グラフレベルの異常検出のための新しい手法Motif-consistent Counterfactuals with Adversarial Refinement (MotifCAR)を提案する。 このモデルは、あるグラフのモチーフと、識別(カテゴリ)情報を含むコアサブグラフと、別のグラフのコンテキストサブグラフを組み合わせて、生の反事実グラフを生成する。 MotifCARは高品質な反ファクトグラフを生成することができる。
  論文  参考訳（メタデータ） (2024-07-18T08:04:57Z)
• Counterfactual Intervention Feature Transfer for Visible-Infrared Person Re-identification [69.45543438974963]
  視覚赤外人物再識別タスク(VI-ReID)におけるグラフベースの手法は,2つの問題により,悪い一般化に悩まされている。 十分に訓練された入力特徴は、グラフトポロジーの学習を弱め、推論過程において十分に一般化されない。 本稿では,これらの問題に対処するためのCIFT法を提案する。
  論文  参考訳（メタデータ） (2022-08-01T16:15:31Z)
• FactGraph: Evaluating Factuality in Summarization with Semantic Graph Representations [114.94628499698096]
  文書と要約を構造化された意味表現(MR)に分解するFactGraphを提案する。 MRは、コアセマンティックの概念とその関係を記述し、文書と要約の両方の主要な内容を標準形式で集約し、データの疎結合を減少させる。 事実性を評価するための異なるベンチマークの実験では、FactGraphは以前のアプローチよりも最大15%優れていた。
  論文  参考訳（メタデータ） (2022-04-13T16:45:33Z)
• A Graph-Based Neural Model for End-to-End Frame Semantic Parsing [12.43480002133656]
  本稿では,フレーム意味解析タスクを協調的に行うために,エンドツーエンドのニューラルモデルを提案する。 本稿では,グラフ構築問題として,フレームセマンティック解析に関するグラフベースの手法を利用する。 フレーム・セマンティック・パーシングのベンチマーク・データセットの実験結果から,本手法の競争力が高いことが示された。
  論文  参考訳（メタデータ） (2021-09-25T08:54:33Z)
• ProGS: Property Graph Shapes Language (Extended Version) [5.663538370244174]
  プロパティグラフは知識グラフを表現するデータモデルを構成する。 Wikidataのような知識グラフは、多種多様なコントリビュータによって作成され、様々なソースが2種類のエラーに陥りやすい。 最初のタイプの誤り、事実の虚偽は、証明と妥当性の表現を通してプロパティグラフによって対処される。 第2のタイプのエラーは、ドメイン制約に違反しており、原型プロパティグラフに関して対処されていない。
  論文  参考訳（メタデータ） (2021-07-12T16:44:21Z)
• ExplaGraphs: An Explanation Graph Generation Task for Structured Commonsense Reasoning [65.15423587105472]
  スタンス予測のための説明グラフ生成の新しい生成および構造化コモンセンスリゾニングタスク(および関連するデータセット)を紹介します。 具体的には、信念と議論が与えられた場合、モデルは、議論が信念を支持しているかどうかを予測し、予測されたスタンスに対する非自明で完全で曖昧な説明として機能する常識強化グラフを生成する必要がある。 グラフの83%は、様々な構造と推論深度を持つ外部のコモンセンスノードを含んでいる。
  論文  参考訳（メタデータ） (2021-04-15T17:51:36Z)
• Graph Information Bottleneck for Subgraph Recognition [103.37499715761784]
  本稿では,深層グラフ学習における部分グラフ認識問題に対するグラフ情報ブートネック(GIB)の枠組みを提案する。 この枠組みの下では、最大情報でありながら圧縮的な部分グラフ(IB-subgraph)を認識できる。 IB-サブグラフの特性を3つのアプリケーションシナリオで評価する。
  論文  参考訳（メタデータ） (2020-10-12T09:32:20Z)
• Anomaly Detection in Large Labeled Multi-Graph Databases [16.964960579221238]
  CODETECTは,グラフデータベースの異常検出タスクに,そのような複雑な性質で対処する最初のアプローチである。 3つの異なる企業におけるトランザクショングラフデータベースにおけるCODETECTの有効性を示す。
  論文  参考訳（メタデータ） (2020-10-07T18:41:33Z)
• Structure-Augmented Text Representation Learning for Efficient Knowledge Graph Completion [53.31911669146451]
  人為的な知識グラフは、様々な自然言語処理タスクに重要な支援情報を提供する。 これらのグラフは通常不完全であり、自動補完を促す。 グラフ埋め込みアプローチ(例えばTransE)は、グラフ要素を密度の高い埋め込みに表現することで構造化された知識を学ぶ。 テキストエンコーディングアプローチ(KG-BERTなど)は、グラフトリプルのテキストとトリプルレベルの文脈化表現を利用する。
  論文  参考訳（メタデータ） (2020-04-30T13:50:34Z)

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。