論文の概要: Collaboration and Controversy Among Experts: Rumor Early Detection by Tuning a Comment Generator

• arxiv url: http://arxiv.org/abs/2504.04076v1
• Date: Sat, 05 Apr 2025 06:21:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:10:37.465030
• Title: Collaboration and Controversy Among Experts: Rumor Early Detection by Tuning a Comment Generator
• Title（参考訳）: 専門家の協力と論争:コメントジェネレータのチューニングによる早期発見の噂
• Authors: Bing Wang, Bingrui Zhao, Ximing Li, Changchun Li, Wanfu Gao, Shengsheng Wang,
• Abstract要約: 我々は,CAMERED という新しい噂早期検出(RED)フレームワークを提案する。 我々は,エキスパートの混合構造を生成言語モデルに統合し,エキスパートコラボレーションのための新しいルーティングネットワークを提案する。 その結果、CAMEREDは最先端のREDベースラインモデルや生成方法よりも優れていた。
• 参考スコア（独自算出の注目度）: 20.957905317077046
• License:
• Abstract: Over the past decade, social media platforms have been key in spreading rumors, leading to significant negative impacts. To counter this, the community has developed various Rumor Detection (RD) algorithms to automatically identify them using user comments as evidence. However, these RD methods often fail in the early stages of rumor propagation when only limited user comments are available, leading the community to focus on a more challenging topic named Rumor Early Detection (RED). Typically, existing RED methods learn from limited semantics in early comments. However, our preliminary experiment reveals that the RED models always perform best when the number of training and test comments is consistent and extensive. This inspires us to address the RED issue by generating more human-like comments to support this hypothesis. To implement this idea, we tune a comment generator by simulating expert collaboration and controversy and propose a new RED framework named CAMERED. Specifically, we integrate a mixture-of-expert structure into a generative language model and present a novel routing network for expert collaboration. Additionally, we synthesize a knowledgeable dataset and design an adversarial learning strategy to align the style of generated comments with real-world comments. We further integrate generated and original comments with a mutual controversy fusion module. Experimental results show that CAMERED outperforms state-of-the-art RED baseline models and generation methods, demonstrating its effectiveness.
• Abstract（参考訳）: 過去10年間、ソーシャルメディアプラットフォームは噂を広める鍵を握ってきた。 これに対抗するために,コミュニティは,ユーザコメントを証拠として自動的に識別する様々な噂検出(RD)アルゴリズムを開発した。 しかしながら、これらのRDメソッドは、限られたユーザコメントしか利用できないときに、噂の拡散の初期段階で失敗することが多いため、コミュニティは、Rumor Early Detection (RED)と呼ばれるより困難なトピックに注目するようになる。 通常、既存のREDメソッドは初期のコメントで限定的なセマンティクスから学習する。 しかし、予備実験により、REDモデルは、トレーニングやテストコメントの数が一貫した、そして広範囲にわたる場合、常に最善を尽くすことが判明した。 これにより、この仮説を支持するために、より人間的なコメントを生成することで、REDの問題に対処するインスピレーションを与えます。 このアイデアを実現するために、専門家の協力と論争をシミュレートしてコメントジェネレータをチューニングし、CAMEREDという新しいREDフレームワークを提案する。 具体的には,知識混合構造を生成言語モデルに統合し,エキスパートコラボレーションのための新しいルーティングネットワークを提案する。 さらに、我々は、知識のあるデータセットを合成し、実際のコメントと生成されたコメントのスタイルを整合させる敵の学習戦略を設計する。 さらに、生成されたコメントとオリジナルコメントを相互に議論する融合モジュールと統合する。 実験の結果,CAMEREDは最先端のREDベースラインモデルや生成手法よりも優れており,その有効性が示された。

関連論文リスト

• Generative Adversarial Reviews: When LLMs Become the Critic [1.2430809884830318]
  本稿では,LLMを利用したエージェントを利用して,忠実なピアレビュアーをシミュレートするジェネレーティブエージェントレビュアー(GAR)を紹介する。 このアプローチの中心は、グラフベースの原稿表現であり、コンテンツを凝縮し、情報を論理的に整理する。 本実験は,GARが人間レビュアーに対して,詳細なフィードバックと論文結果の予測を行う上で,相容れない性能を示すことを示した。
  論文  参考訳（メタデータ） (2024-12-09T06:58:17Z)
• Context Enhancement with Reconstruction as Sequence for Unified Unsupervised Anomaly Detection [68.74469657656822]
  非教師付き異常検出(AD)は、通常のサンプルのみを用いて堅牢な検出モデルを訓練することを目的としている。 最近の研究は、すべてのクラスに対して1つのモデルのみをトレーニングする、統一された教師なしAD設定に焦点を当てている。 本稿では,特徴再構成時の文脈対応性を高める新しいRAS法を提案する。
  論文  参考訳（メタデータ） (2024-09-10T07:37:58Z)
• SHINE: Saliency-aware HIerarchical NEgative Ranking for Compositional Temporal Grounding [52.98133831401225]
  時間的グラウンドディング(英: Temporal grounding、ビデオモーメント検索(英語版))は、所定のクエリ文に対応するビデオセグメントを特定することを目的としている。 本稿では, GPT-3.5-Turbo を用いた負のクエリ構築のための大規模言語モデル駆動手法を提案する。 本稿では,ビデオと階層的負のクエリ間の多粒度意味的関係を学習するモデルを提案する。
  論文  参考訳（メタデータ） (2024-07-06T16:08:17Z)
• Let Silence Speak: Enhancing Fake News Detection with Generated Comments from Large Language Models [17.612043837566134]
  コメントはユーザーの意見、姿勢、感情を反映し、モデルは偽ニュースに対する理解を深める可能性がある。 露出バイアスと利用者のコメント意欲が異なるため、現実には多様なコメントを得るのは容易ではない。 我々は,多様なユーザプロファイルを持つLLMに対して,コメントを生成するフィードバック強化検出フレームワークGenFENDを提案する。
  論文  参考訳（メタデータ） (2024-05-26T17:09:23Z)
• Promoting Constructive Deliberation: Reframing for Receptiveness [5.4346288442609945]
  本稿では,先行コメントに対する信号受容性に対する不一致応答の自動再フレーミングを提案する。 リフレーミングの6つの戦略を特定します。Redditデータセットを使用して、各戦略に従ってコメントに対する返信を自動的にリフレッシュします。 その結果,本フレームワークで生成した応答は,元の応答よりもはるかに受容性が高いと認識され,汎用的な受容性ベースラインであることが判明した。
  論文  参考訳（メタデータ） (2024-05-23T21:35:22Z)
• RELIC: Investigating Large Language Model Responses using Self-Consistency [58.63436505595177]
  LLM(Large Language Models)は、フィクションと事実を混同し、幻覚として知られる非事実コンテンツを生成することで有名である。 本稿では,ユーザが生成したテキストの信頼性を把握できる対話型システムを提案する。
  論文  参考訳（メタデータ） (2023-11-28T14:55:52Z)
• ViCo: Engaging Video Comment Generation with Human Preference Rewards [68.50351391812723]
  ビデオコメント生成の課題に対処するために,3つの新しいデザインのViCoを提案する。 コメントのエンゲージメントを定量化するために、各コメントが受け取る「いいね! コメントのエンゲージメントを自動的に評価するために、我々は報酬モデルをトレーニングし、その判断を上記のプロキシに合わせる。
  論文  参考訳（メタデータ） (2023-08-22T04:01:01Z)
• FLIRT: Feedback Loop In-context Red Teaming [79.63896510559357]
  ブラックボックスモデルを評価し,その脆弱性を明らかにする自動レッドチーム化フレームワークを提案する。 私たちのフレームワークは、レッドチームモデルに対するフィードバックループでコンテキスト内学習を使用し、それらを安全でないコンテンツ生成にトリガーします。
  論文  参考訳（メタデータ） (2023-08-08T14:03:08Z)
• Shilling Black-box Review-based Recommender Systems through Fake Review Generation [20.162253355141893]
  レビューベースのリコメンダシステム(RBRS)は、よく知られたコールドスタート問題を緩和する能力により、研究の関心が高まりつつある。 このようなレビューへの依存は、システムにシャットダウンされるリスクを露呈する可能性がある、と私たちは主張する。 RBRSに対する攻撃をシリングするための第1世代モデルを提案する。
  論文  参考訳（メタデータ） (2023-06-27T12:32:36Z)
• SIFN: A Sentiment-aware Interactive Fusion Network for Review-based Item Recommendation [48.1799451277808]
  本稿では、レビューに基づく項目推薦のための感性認識型インタラクティブフュージョンネットワーク(SIFN)を提案する。 まず、BERTを介してユーザ/イテムレビューをエンコードし、各レビューのセマンティックな特徴を抽出する軽量な感情学習者を提案する。 そこで我々は,感情学習者が明示的な感情ラベルを用いて感情認識特徴を抽出するための感情予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-08-18T08:04:38Z)
• 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)

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。