論文の概要: CL-ISR: A Contrastive Learning and Implicit Stance Reasoning Framework for Misleading Text Detection on Social Media

• arxiv url: http://arxiv.org/abs/2506.05107v1
• Date: Thu, 05 Jun 2025 14:52:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.769116
• Title: CL-ISR: A Contrastive Learning and Implicit Stance Reasoning Framework for Misleading Text Detection on Social Media
• Title（参考訳）: CL-ISR:ソーシャルメディア上でのテキスト検出のミスリーディングのためのコントラスト学習と暗黙のスタンス推論フレームワーク
• Authors: Tianyi Huang, Zikun Cui, Cuiqianhe Du, Chia-En Chiang,
• Abstract要約: 本稿では,ソーシャルメディア上の誤解を招くテキストの検出精度を向上させるために,CL-ISR(Contrastive Learning and Implicit Stance Reasoning)を提案する。 まず,比較学習アルゴリズムを用いて,真偽と誤解を招くテキスト間の意味的差異の学習能力を向上させる。 第2に、テキストにおける潜在的姿勢傾向とその関連トピックとの関係を探るため、暗黙的姿勢推論モジュールを導入する。
• 参考スコア（独自算出の注目度）: 0.5999777817331317
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Misleading text detection on social media platforms is a critical research area, as these texts can lead to public misunderstanding, social panic and even economic losses. This paper proposes a novel framework - CL-ISR (Contrastive Learning and Implicit Stance Reasoning), which combines contrastive learning and implicit stance reasoning, to improve the detection accuracy of misleading texts on social media. First, we use the contrastive learning algorithm to improve the model's learning ability of semantic differences between truthful and misleading texts. Contrastive learning could help the model to better capture the distinguishing features between different categories by constructing positive and negative sample pairs. This approach enables the model to capture distinguishing features more effectively, particularly in linguistically complicated situations. Second, we introduce the implicit stance reasoning module, to explore the potential stance tendencies in the text and their relationships with related topics. This method is effective for identifying content that misleads through stance shifting or emotional manipulation, because it can capture the implicit information behind the text. Finally, we integrate these two algorithms together to form a new framework, CL-ISR, which leverages the discriminative power of contrastive learning and the interpretive depth of stance reasoning to significantly improve detection effect.
• Abstract（参考訳）: ソーシャルメディアプラットフォーム上の誤解を招くテキスト検出は、これらのテキストが公衆の誤解やパニック、さらには経済的損失につながる可能性があるため、重要な研究分野である。 本稿では、ソーシャルメディア上の誤解を招くテキストの検出精度を向上させるために、コントラスト学習と暗黙の姿勢推論を組み合わせたCL-ISR(Contrastive Learning and Implicit Stance Reasoning)を提案する。 まず,比較学習アルゴリズムを用いて,真偽と誤解を招くテキスト間の意味的差異の学習能力を向上させる。 対照的な学習は、正と負のサンプルペアを構築することによって、異なるカテゴリの区別された特徴をよりよく捉えるのに役立つ。 このアプローチにより、特に言語学的に複雑な状況において、識別された特徴をより効果的に捉えることができる。 第2に、テキストにおける潜在的姿勢傾向とその関連トピックとの関係を探るため、暗黙的姿勢推論モジュールを導入する。 この方法は、テキストの背後にある暗黙の情報をキャプチャできるため、スタンスシフトや感情的な操作によって誤解を招くコンテンツを特定するのに効果的である。 最後に,これら2つのアルゴリズムを統合して新たなフレームワークであるCL-ISRを構築し,比較学習の識別力と解釈的スタンス推論の解釈深度を活用し,検出効果を著しく向上させる。

関連論文リスト

• Can LLMs assist with Ambiguity? A Quantitative Evaluation of various Large Language Models on Word Sense Disambiguation [5.816964541847194]
  本研究では,Large Language Models (LLMs) を用いた単語センス曖昧化(WSD)の改善について検討する。 提案手法では,プロンプトをPOSタグ,曖昧な単語のシノニム,アスペクトベース・センス・フィルタリング,少数ショットプロンプトで支援する。 数ショットのChain of Thought (COT)プロンプトベースのアプローチを利用することで、本研究はパフォーマンスを大幅に改善したことを示す。
  論文  参考訳（メタデータ） (2024-11-27T13:35:32Z)
• Con-ReCall: Detecting Pre-training Data in LLMs via Contrastive Decoding [118.75567341513897]
  既存のメソッドは通常、ターゲットテキストを分離して分析するか、非メンバーコンテキストでのみ分析する。 Con-ReCallは、メンバと非メンバのコンテキストによって誘導される非対称な分布シフトを利用する新しいアプローチである。
  論文  参考訳（メタデータ） (2024-09-05T09:10:38Z)
• How Well Do Text Embedding Models Understand Syntax? [50.440590035493074]
  テキスト埋め込みモデルが幅広い構文的文脈にまたがって一般化する能力は、まだ解明されていない。 その結果,既存のテキスト埋め込みモデルは,これらの構文的理解課題に十分対応していないことが明らかとなった。 多様な構文シナリオにおけるテキスト埋め込みモデルの一般化能力を高めるための戦略を提案する。
  論文  参考訳（メタデータ） (2023-11-14T08:51:00Z)
• Re-mine, Learn and Reason: Exploring the Cross-modal Semantic Correlations for Language-guided HOI detection [57.13665112065285]
  ヒューマンオブジェクトインタラクション(HOI)検出は、コンピュータビジョンの課題である。 本稿では,構造化テキスト知識を組み込んだHOI検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-25T14:20:52Z)
• Beyond Model Interpretability: On the Faithfulness and Adversarial Robustness of Contrastive Textual Explanations [2.543865489517869]
  本研究は、説明の忠実さに触発された新たな評価手法の基盤を築き、テキストの反事実を動機づけるものである。 感情分析データを用いた実験では, 両モデルとも, 対物関係の関連性は明らかでないことがわかった。
  論文  参考訳（メタデータ） (2022-10-17T09:50:02Z)
• Semantic Interactive Learning for Text Classification: A Constructive Approach for Contextual Interactions [0.0]
  本稿では,テキスト領域に対するセマンティック対話学習という新しいインタラクションフレームワークを提案する。 構築的および文脈的フィードバックを学習者に取り入れることで、人間と機械間のよりセマンティックなアライメントを実現するアーキテクチャを見つけることができる。 本研究では,人間の概念的修正を非外挿訓練例に翻訳するのに有効なSemanticPushという手法を提案する。
  論文  参考訳（メタデータ） (2022-09-07T08:13:45Z)
• Conditional Supervised Contrastive Learning for Fair Text Classification [59.813422435604025]
  対照的な学習を通してテキスト分類のための等化オッズとして知られる公平性の概念を満たす学習公正表現について研究する。 具体的には、まず、公正性制約のある学習表現と条件付き教師付きコントラスト目的との間の関係を理論的に分析する。
  論文  参考訳（メタデータ） (2022-05-23T17:38:30Z)
• Beyond the Deep Metric Learning: Enhance the Cross-Modal Matching with Adversarial Discriminative Domain Regularization [21.904563910555368]
  本稿では,画像とテキストのペア内における識別データドメインの集合を構築するための新しい学習フレームワークを提案する。 我々のアプローチは一般的に既存のメトリクス学習フレームワークの学習効率と性能を改善することができる。
  論文  参考訳（メタデータ） (2020-10-23T01:48:37Z)

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。