論文の概要: Lifelong Evolution: Collaborative Learning between Large and Small Language Models for Continuous Emergent Fake News Detection

• arxiv url: http://arxiv.org/abs/2506.04739v1
• Date: Thu, 05 Jun 2025 08:17:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.598794
• Title: Lifelong Evolution: Collaborative Learning between Large and Small Language Models for Continuous Emergent Fake News Detection
• Title（参考訳）: 生涯進化:連続創発的フェイクニュース検出のための大小言語モデル間の協調学習
• Authors: Ziyi Zhou, Xiaoming Zhang, Litian Zhang, Yibo Zhang, Zhenyu Guan, Chaozhuo Li, Philip S. Yu,
• Abstract要約: 大規模言語モデル(LLM)は、時代遅れの知識と適切な実演がないため、偽ニュースを正確に検出できない。 本稿では,これらの課題に対処するために,新たな協調的創発的フェイクニュース検出(C$2$EFND)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 44.64168455850825
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The widespread dissemination of fake news on social media has significantly impacted society, resulting in serious consequences. Conventional deep learning methodologies employing small language models (SLMs) suffer from extensive supervised training requirements and difficulties adapting to evolving news environments due to data scarcity and distribution shifts. Large language models (LLMs), despite robust zero-shot capabilities, fall short in accurately detecting fake news owing to outdated knowledge and the absence of suitable demonstrations. In this paper, we propose a novel Continuous Collaborative Emergent Fake News Detection (C$^2$EFND) framework to address these challenges. The C$^2$EFND framework strategically leverages both LLMs' generalization power and SLMs' classification expertise via a multi-round collaborative learning framework. We further introduce a lifelong knowledge editing module based on a Mixture-of-Experts architecture to incrementally update LLMs and a replay-based continue learning method to ensure SLMs retain prior knowledge without retraining entirely. Extensive experiments on Pheme and Twitter16 datasets demonstrate that C$^2$EFND significantly outperforms existed methods, effectively improving detection accuracy and adaptability in continuous emergent fake news scenarios.
• Abstract（参考訳）: ソーシャルメディア上での偽ニュースの普及は、社会に大きな影響を与え、深刻な結果をもたらした。 スモールランゲージモデル(SLM)を用いた従来のディープラーニング手法は、データ不足と分散シフトにより、広範な教師付きトレーニング要件と、進化するニュース環境に適応する難しさに悩まされている。 大きな言語モデル(LLM)は、堅牢なゼロショット機能にもかかわらず、時代遅れの知識と適切なデモがないため、偽ニュースを正確に検出するには不十分である。 本稿では,これらの課題に対処するための新しい連続的協調的創発的フェイクニュース検出(C$^2$EFND)フレームワークを提案する。 C$^2$EFNDフレームワークは、LLMの一般化能力とSLMの分類能力の両方をマルチラウンド協調学習フレームワークを通じて戦略的に活用する。 さらに,LSMを段階的に更新するMixture-of-Expertsアーキテクチャに基づく生涯的知識編集モジュールと,SLMが完全にリトレーニングすることなく事前知識を維持するためのリプレイベースの継続学習手法も導入する。 PhemeとTwitter16データセットの大規模な実験により、C$^2$EFNDは既存の手法を大幅に上回っており、継続的な緊急フェイクニュースシナリオにおける検出精度と適応性を効果的に改善している。

関連論文リスト

• Collaborative Evolution: Multi-Round Learning Between Large and Small Language Models for Emergent Fake News Detection [12.65676695802598]
  大規模言語モデル(LLM)は、関連するデモンストレーションの欠如と知識のダイナミックな性質のために、偽ニュースを効果的に識別するのに不足している。 本稿では,これらの制約に対処するため,MRCD(Multi-Round Collaboration Detection)を提案する。 我々のフレームワークMRCDは、2つの実世界のデータセットPhemeとTwitter16でSOTA結果を実現し、SLMのみを使用する場合と比較して精度は7.4%と12.8%向上した。
  論文  参考訳（メタデータ） (2025-03-27T03:39:26Z)
• LLM Post-Training: A Deep Dive into Reasoning Large Language Models [131.10969986056]
  大規模言語モデル (LLMs) は自然言語処理の状況を変え、多様な応用をもたらした。 ポストトレーニング手法により、LLMは知識を洗練させ、推論を改善し、事実の正確性を高め、ユーザの意図や倫理的配慮をより効果的に整合させることができる。
  論文  参考訳（メタデータ） (2025-02-28T18:59:54Z)
• Challenges and Innovations in LLM-Powered Fake News Detection: A Synthesis of Approaches and Future Directions [0.0]
  偽ニュースの拡散は ソーシャルメディアのプラットフォームを通じて 一般大衆の信頼に 重大なリスクをもたらします 最近の研究には、マルチモーダルフレームワークにおける大規模言語モデルによる検出の強化が含まれている。 このレビューでは、ダイナミックなソーシャルメディアトレンド、リアルタイム、クロスプラットフォーム検出機能への適応性の重大なギャップがさらに明らかになった。
  論文  参考訳（メタデータ） (2025-02-01T06:56:17Z)
• A Self-Learning Multimodal Approach for Fake News Detection [35.98977478616019]
  偽ニュース分類のための自己学習型マルチモーダルモデルを提案する。 このモデルは、ラベル付きデータを必要としない機能抽出のための堅牢な手法であるコントラスト学習を利用する。 公開データセットを用いた実験結果から,提案モデルがいくつかの最先端の分類手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-12-08T07:41:44Z)
• 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)
• 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)
• Re-Search for The Truth: Multi-round Retrieval-augmented Large Language Models are Strong Fake News Detectors [38.75533934195315]
  大きな言語モデル(LLM)はその顕著な推論と生成能力で知られている。 クレーム検証のための Web ソースからキーエビデンスを自動的に戦略的に抽出する,新たな LLM フレームワークについて紹介する。 我々の枠組みは十分な証拠の取得を保証し、性能を向上させる。
  論文  参考訳（メタデータ） (2024-03-14T00:35:39Z)

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。